بهبود روش‌های متن‌کاوی در کاربرد پیش‌بینی بازار با استفاده از الگوریتم‌های انتخاب نمونۀ اولیه

امروزه محققان با حجم وسیعی از داده‌ مواجه‎اند که بخش زیادی از آنها ساختار پردازش‎پذیری ندارند. دو مورد از چالش‌های اصلی در این زمینه بالا بودن ابعاد فضای ویژگی و حجیم بودن داده‌های در دسترس است. به‌منظور رفع این چالش‌ها، مقالۀ پیش رو یک روش انتخاب ویژگی مبتنی بر ویژگی‌های هدف ارائه کرده است که در کاهش ابعاد فضای ویژگی تأثیر زیادی دارد و همچنین برای مقابله با حجم بسیار زیاد نمونه‌های آموزش، با استفاده از روش‌های انتخاب نمونۀ اولیه، به ویرایش مجموعۀ آموزش می‎پردازد. روش پیشنهادی در این مقاله در سه فاز اجرا شده است که هر فاز بهبودیافتۀ فاز قبل است و علاوه‎بر دست‎یافتن به نتایج مناسب در هر فاز، در پایان فاز سوم روش پیشنهادی بیشترین کارایی را به‎دست آورد. برای ارزیابی کارایی روش پیشنهادی، این روش با یکی از الگوریتم­های موفق در زمینۀ پیش‌بینی بازار مقایسه شد که با وجود کاهش نمونه‌های آموزش توسط الگوریتم‌های انتخاب نمونۀ اولیه، به نتایج بسیار بهتری نسبت به آن الگوریتم دست یافت.