انتخاب مشخصه با در نظر گرفتن ترکیب ارتباط ویژگی ها

انتخاب ویژگی نقش مهمی در طبقه‌بندی مشکلات و مسائل دارد. روش‌های انتخاب ویژگی قصد دارند ویژگی‌های مرتبط را حفظ کرده و ویژگی‌های اضافی را حذف کنند. این کار بر روش‌های انتخاب ویژگی مبتنی بر تئوری اطلاعات تمرکز دارد. با بررسی ترکیب ربط ویژگی ها، ما معتقدیم که یک روش انتخاب ویژگی خوب باید اطلاعات طبقه‌بندی جدید را به حداکثر برساند در حالی که افزونگی ویژگی را به حداقل می‌رساند. بنابراین، یک روش انتخاب ویژگی جدید به نام ترکیب پذیری مشخصه (CFR)پیشنهاد شده‌است. برای ارزیابی CFR، ما آزمایش‌هایی را بر روی هشت مجموعه داده حقیقی و دو دسته طبقه‌بندی کننده مختلف انجام می‌دهیم (Naive – Bayes و ماشین بردار پشتیبان). روش ما نسبت به پنج روش رقیب دیگر از نظر دقت طبقه‌بندی و بالاترین صحت طبقه‌بندی بهتر عمل می‌کند.

Feature selection plays a critical role in classification problems. Feature selection methods intend to retain relevant features and eliminate redundant features. This work focuses on feature selection methods based on information theory. By analyzing the composition of feature relevancy, we believe that a good feature selection method should maximize new classification information while minimizing feature redundancy. Therefore, a novel feature selection method named Composition of Feature Relevancy (CFR) is proposed. To evaluate CFR, we conduct experiments on eight real-world data sets and two different classifiers (Naïve-Bayes and Support Vector Machine). Our method outperforms five other competing methods in terms of average classification accuracy and highest classification accuracy.