انتخاب ویژگی با استفاده از مدل کوانتومی پیشنهادی

حجم داده ها در سال های اخیر نه تنها در تعداد نمونه ها، بلکه در تعداد ویژگی ها رشد چشمگیری داشته است. در بسیاری از کاربرد ها مانند انتخاب ژن در داده های میکرو-آرایه و طبقه بندی خودکار متون تعداد ویژگی ها در داده های اولیه بالغ بر 100 تا 10000 ویژگی می باشد. وجود ابعاد بالا در داده ها یک مشکل بزرگ برای داده کاوی، شناسایی الگو و یادگیری ماشین می باشد. بنابر این کاهش داده ها به عنوان یکی از مهمترین قسمت های پیش پردازش است. با رشد علم در سایر زمینه ها و آشکار شدن بسیاری از نادانسته های موجود در هستی و قابلیت تفسیر پدیده های عالم با استفاده از مفاهیم کسب شده، استفاده از این مفاهیم می تواند در علم کامپیوتر و در حل مسائل موجود در این شاخه کمک شایانی بنماید. یکی از زمینه های پر کاربرد، استفاده از مکانیک کوانتوم و مفاهیم موجود در آن در راستای ایجاد الگوریتم های کارآمد می باشد. با توجه به اهمیت مسئله کاهش داده ها، با بررسی مفاهیم موجود در مکانیک کوانتومی و بررسی مدل های اتمی، در نهایت یک مدل کوانتومی پیشنهادی در جهت حل مسئله انتخاب ویژگی استفاده و این مسئله با استفاده از آن مدل گردید. در این مدل ویژگی ها به مانند الکترون های اطراف هسته اتم بوده و در اطراف هسته اتم توزیع می گردند و همانند الکترون ها قابلیت حرکت اطراف هسته اتم را دارا می باشند. در نهایت بهترین مکانی که ویژگی ها می توانند اطراف هسته اتم داشته باشند در حین اجرای الگوریتم بدست می آید و از ویژگی های نزدیک هسته اتم چشم پوشی می شود. با توجه به استفاده از خوشه بندی به صورت نظارت شده در متن الگوریتم پیشنهادی مسئله انتخاب ویژگی به صورت همزمان توانایی تولید مراکزی برای خوشه ها در راستای کلاس بندی نمونه های جدید را خواهد داشت . هر مرکز خوشه به عنوان نماینده ای از نمونه های کلاس خود می باشد. بررسی های صورت گرفته نشان دهنده توانایی بالای این مراکز در پیش بینی کلاس نمونه های جدید می باشد. به منظور بررسی میزان کارایی مدل ارائه شده برای انتخاب ویژگی ها ، الگوریتم پیشنهادی با تعداد مناسبی از الگوریتم های شناخته شده در این زمینه مقایسه شد. نتایج ارزیابی نشان دهنده برتری قابل ملاحظه الگوریتم پیشنهادی و مناسب بودن مدل کوانتومی پیشنهادی برای مسئله انتخاب ویژگی می باشد.