مدلی برای کاهش ابعاد ویژگی مجموعه داده ها با استفاده از یادگیری عاطفی مغز

چکیده مقاله

دادهکاوی ابزاری است که به شناسایی طرحهای معتبر و قابل فهم در داده ها میپردازد، قسمتی از این فرآیند راپیش پردازش داده ها تشکیل میدهد انتخاب ویژگی یکی از مهمترین اقدامات پیش پردازش داده هاست از نتایج مفید انتخاب ویژگی کاهش حجم داده های پردازشی، بهبود قابلیت تعمیم، افزایش سرعت و دقت الگوریتم های یادگیری را میتوان نام برد در الگوریتم پیشنهادی این مقاله از شبکه عصبی مصنوعی قابل یادگیری استفاده میشود، که از مغز انسان الهام گرفته است این ساختارشامل چهار بلاک اساسی است که عبارتند از آمیگدالا، اوربیتوفرانتال، سنسوری کورتکس و تالاموس کورتکس، ساختاری رقابتی را به مدل اضافه میکند ارزیابی راهکارپیشنهادی روی مجموعه داده های معتبرUCI در مقایسه با روشهای قبلی نشان میدهد دقت دسته بندی 5 تا 7درصد افزایش یافته است همچنین نتایج نشان داد این راهکار میتواند در مجموعه داده ها با تعداد ویژگی بسیار زیاد استفاده گردد

کلیدواژه‌ها

نویسندگان

اعظم قربانی

دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، واحدنجف آباد، دانشگاه آزاد اسلامی

فرساد زمانی بروجنی

استاد مدعو، گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران ،عضو هییت علمی، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، واحد اصفهان خوراسگان ، دانشگاهآزاد اسلامی، اصفهان، ایران

قربانی، اعظم و زمانی بروجنی، فرساد،1396،مدلی برای کاهش ابعاد ویژگی مجموعه داده ها با استفاده از یادگیری عاطفی مغز،کنفرانس ملی کامیپوتر،فناوری اطلاعات و کاربردهای هوش مصنوعی،اهواز

ارائه‌شده در

مجموعه مقالات کنفرانس ملی کامیپوتر،فناوری اطلاعات و کاربردهای هوش مصنوعی18 بهمن 1396 · اهواز