انجام پروژه متلب انتخاب بهینه ویژگی ها با کمک الگوریتم ژنتیک
ضمانت بازگشت
فایل های تست شده
پرداخت آنلاین
تضمین کیفیت
دانلود فوری

قیمت محصول : 140,000 ریال

140,000 ریال – پرداخت و دانلود
5 خرید نسخه : 1.0

انتخاب بهینه ویژگی ها با کمک الگوریتم ژنتیک (feauture selection with ga ) همراه مقاله شبیه سازی شده:پروژه متلب ارزان

با استفاده از با استفاده از الگوریتم ژنتیک ویژگی های تصویر استخراج می گردد بر روی مدل صنعتی پیاده شده است و می توان به راحتی بر روی مدل های دیگر پیاده سازی نمود.

عالی برای پروژه درس الگوریتم بهینه سازی و پردازش داده مقطع ارشد هوش مصنوعی و…

انتخاب ویژگی (Feature Selection) که با عناوین دیگری همانند Variable Selection و Attribute Selection و نیز Variable Subset Selection شناخته می شود، فرایند انتخاب زیردسته ای از میان دسته ویژگی ها می باشد.

طبقه بندی کننده بهینه بیز و افزایش تعداد ویژگی ها

خطای کمینه بیز (Bayes Error) با افزایش تعداد ویژگی ها هیچگاه افزایش نمی یابد. شاید این موضوع این برداشت را در نگاه اول ایجاد کند که هر چه تعداد ویژگی ها بیشتر باشد، به همان میزان وضعیت بهتر است. اما نباید فراموش کنیم که کلاسیفایر بهینه بیز (Bayes Optimal Classifier) در صورت در دسترس بودن توزیع داده ها (Data Distribution) موجود می باشد. در حالی که در یک مسئله عملی طبقه بندی (Classification) ما توزیع واقعی داده ها را نداریم و در نتیجه نیز کلاسفایر بهینه بیز و خطای کمینه آن در دست نمی باشد.

پدیده Peaking و اهمیت کاهش ابعاد

بر خلاف رفتار کلاسیفایز بیز،‌ خطای کلاسیفایر طراحی شده توسط داده های واقعی رفتار متفاوتی را در حالت افزایش تعداد ویژگی ها نمایش می دهد. اگر به خاطر داشته باشید، در نیجه پدیده پیک زدن (Peaking Phenomenon)، افزایش تعداد ویژگی ها در مواردی می تواند به افزایش خطای طبقه بندی نیز منجر شود. از این جهت است که در یک مسئله عملیِ، بهترین تعداد ویژگی ها، بیشترین تعداد ویژگی ها نمی باشد. شکل زیر پیده پیک زدن را نشان می دهد.

DuinPeaking1

شکل: پدیده پیکینگ – با افزایش تعداد ویژگی ها از یک نقطه به بعد، خطای طبقه بندی افزایش می یابد.

 

دلایل دیگر اهمیت کاهش ابعاد

پدیده Peaking به تنهایی برای نمایش دادن اهمیت استفاده از مقدار مناسب (نه کم و نه زیاد) ویژگی ها را نشان می دهد. البته این همه اهمیت داستان نیست. انتخاب ویژکی می تواند به کاهش پیچیدگی محاسباتی (هم از جهت بار اجرایی و هم ذخیره سازی) منجر شود. از سوی دیگر، کاهش ابعاد می تواند به ایجاد شناخت بهتر از داده ها نیز کمک نماید. به عنوان مثال در یک مسئله دانستن ۳ ویژگی مهم که بیشترین جداسازی داده ها را ایجاد می کند، مفید خواهد بود (مثلا سه ژن عامل یک بیماری).

کاهش ابعاد:‌ استخراج ویژگی / انتخاب ویژگی

دو طبقه عمده از روشهای کاهش ابعاد (Dimensionality Reduction Methods) وجود دارند.

  • استخراج ویژگی (Feature Extraction)
    • در این حالت هدف یافتن یک نگاشت از فضای ویژگی های کنونی به یک فضای با ابعاد کمتر است که در آن کمترین اتلاف اطلاعات (با در نظر گرفتن معیارهای جداپذیری کلاسها) ایجاد می شود.
  • انتخاب ویژگی (Feature Selection)
    • انتخاب ویژگی نیز در حقیقت همان استخراج ویژگی است. با این تفاوت که نگاشت مذکور محدود می شود به انتخاب زیر مجموعه ای است مجموعه ویژگی های فضای اصلی.

مقاله رفرنس:

A Genetic Algorithm-Based Feature Selection

Volume 5, Issue 4, ISSN (Online): 2249–071X, ISSN (Print): 2278–4209

International Journal of Electronics Communication and Computer Engineering

و مقاله رفرنس دوم:

Zernike Moments and Genetic Algorithm : Tutorial andApplication

British Journal of Mathematics & Computer Science4(15): 2217-2236, 2014

Babatunde Oluleye, Armstrong Leisa, Jinsong Lengand Diepeveen Dean

پروژه متلب ارزان: http://www.porojeamadematlab.ir تنها وبسایت پروژه متلب ارزان

انتخاب بهینه ویژگی،الگوریتم ژنتیک،feauture selection with ga،افزایش تعداد ویژگی ها،پایان نامه آماده،matlab,matlab project،شبیه سازی،پروژه متلب ارزان

پروژه متلب ارزان:

http://www.porojeamadematlab.ir

تنها وبسایت پروژه متلب ارزان

به این پست امتیاز دهید.
Rate this post
This site is using SEO Baclinks plugin created by InfoMotru.ro and Locco.Ro
بازدید : 106 views بار دسته بندی : , , , , , , تاريخ : 19 ژوئن 2016 به اشتراک بگذارید :
دیدگاه کاربران
    • دیدگاه ارسال شده توسط شما ، پس از تایید توسط مدیران سایت منتشر خواهد شد.
    • دیدگاهی که به غیر از زبان فارسی یا غیر مرتبط با محصول باشد منتشر نخواهد شد.


SEO Powered by Platinum SEO from Techblissonline

Enter your email address:

Delivered by FeedBurner