دانلود مقاله ISI انگلیسی شماره 78826
ترجمه فارسی عنوان مقاله

یک الگوریتم تکاملی چند هدفه برای انتخاب ویژگی بر اساس اطلاعات متقابل با اندازه گیری افزونگی جدید

عنوان انگلیسی
A multi-objective evolutionary algorithm for feature selection based on mutual information with a new redundancy measure
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
78826 2015 16 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 9506 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 70 تومان 14 روز بعد از پرداخت 665,420 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 140 تومان 7 روز بعد از پرداخت 1,330,840 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Information Sciences, Volume 307, 20 June 2015, Pages 73–88

ترجمه کلمات کلیدی
انتخاب ویژگی؛ داده کاوی؛ اطلاعات متقابل؛ الگوریتم تکاملی چند هدفه
کلمات کلیدی انگلیسی
Feature selection; Data mining; Mutual information; Multi-objective evolutionary algorithm
پیش نمایش مقاله
پیش نمایش مقاله  یک الگوریتم تکاملی چند هدفه برای انتخاب ویژگی بر اساس اطلاعات متقابل با اندازه گیری افزونگی جدید

چکیده انگلیسی

Feature selection is an important task in data mining and pattern recognition, especially for high-dimensional data. It aims to select a compact feature subset with the maximal discriminative capability. The discriminability of a feature subset requires that selected features have a high relevance to class labels, whereas the compactness demands a low redundancy within the selected feature subset. This paper defines a new feature redundancy measurement capable of accurately estimating mutual information between features with respect to the target class (MIFS-CR). Based on a relevance measure and this new redundancy measure, a multi-objective evolutionary algorithm with class-dependent redundancy for feature selection (MECY-FS) is presented. The MECY-FS algorithm employs the Pareto optimality to evaluate candidate feature subsets and finds compact feature subsets with both the maximal relevance and the minimal redundancy. Experiments on benchmark datasets are conducted to validate the effectiveness of the new redundancy measure, and the MECY-FS algorithm is verified to be able to generate compact feature subsets with a high predictive capability.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 9506 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 70 تومان 14 روز بعد از پرداخت 665,420 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 140 تومان 7 روز بعد از پرداخت 1,330,840 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.