view in publisher's site

Comparison of Multi-objective Algorithms Applied to Feature Selection

The feature selection problem can be formulated as a multi-objective optimization (MOO) problem, as it involves the minimization of the feature subset cardinality and the misclassification error. In this chapter, a comparison of MOO algorithms applied to feature selection is presented. The used MOO methods are: Nondominated Sorting Genetic Algorithm II (NSGA-II), Archived Multi Objective Simulated Annealing (AMOSA), and Direct Multi Search (DMS). To test the feature subset solutions, Takagi- Sugeno fuzzy models are used as classifiers. To solve the feature selection problem, AMOSA was adapted to deal with discrete optimization. The multi-objective methods are applied to four benchmark datasets used in the literature and the obtained results are compared and discussed.

مقایسه الگوریتم های چند منظوره وابسته به انتخاب مشخصه

مساله انتخاب ویژگی می‌تواند به عنوان یک مساله بهینه‌سازی چند هدفه (MOO)فرموله شود، زیرا شامل کمینه کردن زیر مجموعه ویژگی‌های cardinality و خطای طبقه‌بندی می‌شود. در این فصل مقایسه‌ای از الگوریتم های MOO بکار گرفته‌شده برای انتخاب مشخصه ارائه شده‌است. روش‌های MOO استفاده‌شده عبارتند از: الگوریتم ژنتیک مرتب‌سازی ۲ (nsga - II)، archived Multi Objective (AMOSA)و چند جستجوی مستقیم (DMS). برای آزمون راه‌حل‌های زیر مجموعه ویژگی، مدل‌های فازی سوگنو - سوگنو به عنوان طبقه‌بندی کننده‌ها به کار می‌روند. برای حل مساله انتخاب ویژگی، AMOSA برای مقابله با بهینه‌سازی گسسته انطباق داده شد. روش‌های چند هدفه برای چهار مجموعه داده معیار استفاده‌شده در مقالات استفاده می‌شود و نتایج به‌دست‌آمده مقایسه و مورد بحث قرار می‌گیرد.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.