بهبود روش های متن کاوی در کاربرد پیش بینی بازار با استفاده از الگوریتم های انتخاب نمونه اولیه (مقاله علمی وزارت علوم)

چکیده

امروزه محققان با حجم وسیعی از داده مواجه اند که بخش زیادی از آنها ساختار پردازش پذیری ندارند. دو مورد از چالش های اصلی در این زمینه بالا بودن ابعاد فضای ویژگی و حجیم بودن داده های در دسترس است. به منظور رفع این چالش ها، مقاله پیش رو یک روش انتخاب ویژگی مبتنی بر ویژگی های هدف ارائه کرده است که در کاهش ابعاد فضای ویژگی تأثیر زیادی دارد و همچنین برای مقابله با حجم بسیار زیاد نمونه های آموزش، با استفاده از روش های انتخاب نمونه اولیه، به ویرایش مجموعه آموزش می پردازد. روش پیشنهادی در این مقاله در سه فاز اجرا شده است که هر فاز بهبودیافته فاز قبل است و علاوه بر دست یافتن به نتایج مناسب در هر فاز، در پایان فاز سوم روش پیشنهادی بیشترین کارایی را به دست آورد. برای ارزیابی کارایی روش پیشنهادی، این روش با یکی از الگوریتم های موفق در زمینه پیش بینی بازار مقایسه شد که با وجود کاهش نمونه های آموزش توسط الگوریتم های انتخاب نمونه اولیه، به نتایج بسیار بهتری نسبت به آن الگوریتم دست یافت.