Journal of Operational Research and Its Applications

fa ارایه یک الگوریتم بهینه‌سازی مناسب برای مساله انتخاب ویژگی A Suitable Optimization Algorithm for the Feature Selection Problem تخصصي Special پژوهشي Research <h1 style="text-align: justify;">عملیات طبقه‌بندی و دستیابی به خطای کمتر در طبقه‌بندی، که منجر به دقت بالاتر می‌شود، نیازی به استفاده از تمامی ویژگی‌های یک مجموعه داده ندارد. با انتخاب ویژگی‌های معنادار و کاهش ابعاد بردار ویژگی‌ها، می‌توان عملکرد روش پیشنهادی را بهبود بخشید. نتایج آزمایشات ما نشان می‌دهد که انتخاب زیرمجموعه‌های خاصی از ویژگی‌ها می‌تواند به عملکرد بهتر در مجموعه‌های داده مختلف منجر شود. به‌طور خاص، در مجموعه دادهGISETTE، با انتخاب ۲۰ ویژگی از طریق الگوریتم ACO، دقت به 18/98 درصد رسید. همچنین، در مجموعه داده‌های دیگر همچون RELATHE و PROSTATE-GE، دقت به ترتیب 85/77 درصد و 77/97 درصد بود. فرآیند یافتن تعداد مناسب ویژگی‌ها معمولاً زمان‌بر است. از این رو، ما مساله انتخاب ویژگی را به‌عنوان یک مساله بهینه‌سازی در نظر گرفته و حل آن را به روش‌های فراابتکاری واگذار می‌کنیم. در این مقاله، رویکردی برای انتخاب ویژگی با استفاده از الگوریتم بهینه‌سازی کلونی مورچه‌ها (ACO) ارایه شده است. پرسپترون دو‌لایه به‌عنوان طبقه‌بند از ویژگی‌های انتخاب‌شده توسط الگوریتم ACO در عملیات طبقه‌بندی استفاده می‌کند. برای ارزیابی روشACO، از یک نرم جدید و اسپارس استفاده شده است که ما این روش را ANT-ANN-SSN نامگذاری کرده‌ایم. نتایج آزمایش‌ها نشان می‌دهند که روش ANT-ANN-SSN در تمامی مجموعه داده‌ها عملکرد بهتری نسبت به سایر روش‌ها داشته است.</h1> <h1 style="text-align: justify;"></h1> The classification operation and achieving lower classification error, which leads to higher accuracy, do not require using all the features of a dataset. By selecting meaningful features and reducing the dimensionality of the feature vector, the performance of the proposed method can be improved. Our experimental results show that selecting specific subsets of features can lead to better performance on different datasets. Specifically, in the GISETTE dataset, selecting 20 features through the ACO algorithm achieved an accuracy of 98.18%. Also, in other datasets such as RELATHE and PROSTATE-GE, the accuracy was 77.85% and 97.77%, respectively. The process of finding the appropriate number of features is usually time-consuming. Hence, we consider the feature selection problem as an optimization problem and leave its solution to meta-heuristic methods. In this paper, an approach for feature selection using the Ant Colony Optimization (ACO) algorithm is presented. The two-layer perceptron as a classifier uses the features selected by the ACO algorithm in the classification operation. To evaluate the ACO method, a new and sparse norm has been used, which we have named the method ANT-ANN-SSN. The experimental results show that the ANT-ANN-SSN method has performed better than other methods in all data sets. طبقه‌بندی داده ها, شبکه عصبی مصنوعی, الگوریتم بهینه‌سازی کلونی مورچه‌ها Data Classification, Artificial Neural Network, Ant Colony Optimization Algorithm 1 15 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-893-2&slc_lang=fa&sid=1 A. H. Refahi Sheikhani امیر حسین رفاهی شیخانی ah_refahi@yahoo.com 100319475328460011351 100319475328460011351 Yes Department of Applied Mathematics, Faculty of Mathematical Sciences, Lahijan Branch, Islamic AzadUniversity, Lahijan, Iran گروه ریاضی کاربردی، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران