مشخصات پژوهش

عنوان	IFSB-ReliefF: یک روش انتخاب نمونه و ویژگی همزمان بر مبنای ReliefF
نوع پژوهش	مقاله چاپ‌شده
کلیدواژه‌ها	کاهش دادهها، انتخاب نمونه، انتخاب ویژگی، ReliefF.
چکیده	افزایش استفاده از اینترنت و برخی از پدیدهها مانند شبکههای حسگر، منجر به افزایش غیرضروری اطالعات شده است. اگرچه این امر مزایای بسیاری دارد، اما باعث ایجاد مشکالتی مانند نیاز به فضای ذخیرهسازی و پردازندههای بهتر و همچنین پاالیش اطالعات برای حذف اطالعات غیرضروری می شود. الگوریتمهای کاهش داده، روشهایی برای انتخاب اطالعات مفید از مقدار زیادی دادههای تکراری، ناقص و زائد فراهم میکنند. در این مقاله، الگوریتم ReliefF که یک الگوریتم رتبهبندی ویژگی است، تغییر داده شده تا به طور همزمان ویژگیها و نمونهها را انتخاب کند. الگوریتم پیشنهاد شده میتواند بر روی ویژگیهای اسمی و عددی و مجموعه دادهها با مقادیر مفقود اجرا شود. همچنین، الگوریتم میتواند به صورت موازی روی یک پردازنده چند هستهای اجرا شود، که این امر باعث کاهش بسیار چشمگیر زمان اجرا و امکان اجرای آن روی مجموعه دادههای بزرگ میشود. عالوه بر این، در این الگوریتم، انتخاب نمونه از هر کالس متناسب با احتمال پیشین کالس است و در نتیجه توازن و نسبت اولیه کالسها در مجموعه اصلی از بین نخواهد رفت. نتایج آزمایش بر روی چهار مجموعه داده نشاندهنده موفقیت الگوریتم پیشنهادی در این امر است.
پژوهشگران	حسین غفاریان (نفر سوم)، محسن رحمانی (نفر دوم)، زینب عباسی (نفر اول)