معرفی یک روش انتخاب ویژگی چند-برچسبه مبتنی بر کمینه کردن افزونگی

روش های انتخاب ویژگی ابزاری کارا در بهبود فرآیند یادگیری شناخته می شوند. هدف از یک روش انتخاب ویژگی، شناسایی ویژگی های مرتبط و حذف ویژگی های غیرمرتبط به منظور بدست آوردن یک زیرمجموعه مناسب از ویژگی ها است، بطوریکه افزونگی بین ویژگی های انتخاب شده کمینه گردد. در داده های چند-برچسبه، این امکان وجود دارد که در صورت وجود همبستگی بین ویژگی ها، مقدار افزونگی در مجموعه ویژگی ها افزایش یابد. وجود افزونگی بین ویژگی ها به همراه چالش ابعاد بالای داده های چند-برچسبه، می تواند باعث افزایش حجم محاسبات، کاهش دقت و در نهایت افزایش احتمال رخ دادن خطا در پیش بینی و طبقه بندی داده های چند-برچسبه شود. در این مقاله، با هدف کمینه کردن افزونگی ویژگی های انتخابی، یک الگوریتم انتخاب ویژگی چند-برچسبه با در نظر گرفتن مدل رگرسیون کمترین مربعات خطا و تنظیم تنکی پیشنهاد شده است. در انتها، با استفاده از تعدادی مجموعه داده چند-برچسبه مشهور، کارایی روش پیشنهادی بررسی می گردد و نتایج بدست آمده با چند روش انتخاب ویژگی چند-برچسبه متداول مقایسه می شود