آموزش مبانی انتخاب ویژگی Feature Selection در داده کاوی

آموزش مبانی انتخاب ویژگی Feature Selection در داده کاوی - (برای مشاهده نسخه کامل آموزش به لینک زیر مراجعه کنید) https://fdrs.ir/ge3h در این فرادرس، در شروع بحث، مفاهیم پایه مرتبط با کاهش ابعاد (استخراج و انتخاب ویژگی) را با هم مرور خواهیم کرد. تمرکز ما در این بحث بر روی روش های انتخاب ویژگی خواهد بود و روش های استخراج ویژگی از آن جهت که در فرادرس دیگری به صورت مفصل مورد بررسی قرار گرفته اند، محور بحث نخواهند بود. یک مساله انتخاب ویژگی، یک مساله با تعداد حالات مشخص می باشد. از این جهت با جستجوی جامع (Exhaustive Search)‌ می توان بهترین دسته از ویژگی ها را یافت. اما این کار زمان بر خواهد بود و باید روش هایی را استفاده کرد که با جستجوی کمتری به دسته ویژگی های بهینه (شبه بهینه) برسد. از این جهت در ادامه به روش های شبه بهینه (Sub-Optimal) یافتن ویژگی ها اشاره خواهیم کرد و در این راستا الگوریتم های انتخاب ويژگی زیر مورد بررسی قرار خواهند گرفت. بهترین ویژگی های فردی (Best Individual d Features) جستجوی مستقیم ترتیبی (Sequential Forward Search - SFS) جستجوی معکوس ترتیبی (Sequential Backward Search - SBS) جستجوی افزودن l، حذف r یا (Plus r Take-Away l Search) جستجوی مستقیم ترتیبی تعمیم یافته (Generalized Sequential Forward Search) جستجوی معکوس ترتیبی تعمیم یافته (Generalized Sequential Backward Search) جستجوی شناور (Floating Search) در انتهای این آموزش نیز به خلاصه بحث و نتیجه گیری و نکاتی برای ادامه مطالعات آتی خواهیم پرداخت.

• #تحصیلات_و_یادگیری
• #هوش_مصنوعی
• #الگوریتم_فراابتکاری
• #سری_زمانی
• #عامل_هوشمند