معرفی دوره: انتخاب ویژگی با روش MRMR (Minimum Redundancy Maximum Relevance) در MATLAB
این دوره به آموزش انتخاب ویژگی (Feature Selection) با استفاده از روش MRMR (حداقل افزونگی و حداکثر ارتباط) می‌پردازد. روش MRMR یکی از روش‌های محبوب و قدرتمند فیلتر محور برای انتخاب ویژگی است که به طور همزمان به افزایش ارتباط ویژگی‌ها با هدف (Relevance) و کاهش وابستگی یا افزونگی بین ویژگی‌ها (Redundancy) می‌پردازد.
در این دوره، شما یاد می‌گیرید چگونه از MRMR برای مسائل یادگیری ماشین (Machine Learning) مانند طبقه‌بندی (Classification) و رگرسیون (Regression)) استفاده کنید. به عنوان یک پروژه عملی، از این روش برای انتخاب ویژگی در دیتاست سرطان سینه (Breast Cancer Dataset) برای طبقه‌بندی و همچنین روی یک دیتاست رگرسیون تیپیکال استفاده شده است.
سرفصل‌های دوره
1. مقدمه‌ای بر انتخاب ویژگی (Feature Selection)
- اهمیت انتخاب ویژگی در یادگیری ماشین.
- تفاوت انتخاب ویژگی با روش های مختلف.
- مزایای انتخاب ویژگی:
- کاهش ابعاد داده و پیچیدگی مدل.
- بهبود دقت و سرعت پردازش.
2. معرفی روش MRMR (Minimum Redundancy Maximum Relevance)
- مفهوم ارتباط (Relevance):
- انتخاب ویژگی‌هایی که بیشترین ارتباط را با متغیر هدف دارند.
- مفهوم افزونگی (Redundancy):
- حذف ویژگی‌هایی که اطلاعات مشابهی ارائه می‌دهند.
- مزایای MRMR نسبت به سایر روش‌های فیلتر محور:
- ترکیب ارتباط و افزونگی در فرآیند انتخاب.
- کارایی بالا در داده‌های با ابعاد بزرگ.
3. استفاده از MRMR برای مسائل طبقه‌بندی (Classification)
- معرفی دیتاست سرطان سینه (Breast Cancer Dataset):
- بررسی ویژگی‌ها و متغیر هدف.
- پیش‌پردازش داده‌ها شامل نرمال‌سازی و پاکسازی.
- پیاده‌سازی MRMR برای انتخاب ویژگی در طبقه‌بندی:
- استفاده از معیارهای اطلاعات متقابل (Mutual Information) برای محاسبه ارتباط.
- کاهش افزونگی بین ویژگی‌ها با معیارهای آماری.
- استفاده از طبقه‌بندی درخت تصمیم Decision Tree
- ارزیابی عملکرد:
- Accuracy , Error, Sensitivity, Specificity, Precision, False Positive Rate, F1_score, ACU
- True Positive, False Positive, False Negative, True Negative
- ترسیم ماتریس اشفتگی Confusion Matric و نمودار ROC
4. استفاده از MRMR برای مسائل رگرسیون (Regression)
- معرفی یک دیتاست تیپیکال رگرسیون:
- بررسی ویژگی‌ها و متغیر هدف.
- پیش‌پردازش داده‌ها.
- پیاده‌سازی MRMR برای انتخاب ویژگی در رگرسیون:
- استفاده از معیارهای ارتباطی مانند ضریب همبستگی.
- حذف ویژگی‌های افزوده با معیارهای آماری.
- استفاده از مدل درخت تصمیم برای رگرسیون
- ارزیابی عملکرد:
- معیارهای MSE (میانگین مربعات خطا) و RMSE (ریشه میانگین مربعات خطا).
- ضریب تعیین (R²).
اهداف دوره
- آشنایی با مفاهیم و اصول انتخاب ویژگی و اهمیت آن در یادگیری ماشین.
- یادگیری پیاده‌سازی روش MRMR برای طبقه‌بندی و رگرسیون.
- توانایی تحلیل و ارزیابی مدل‌ها پس از انتخاب ویژگی.
- بهبود عملکرد مدل‌های یادگیری ماشین از طریق کاهش ابعاد داده.
مدت زمان دوره: 1 و نیم ساعت
سطح دوره: متوسط
حتما قبل از تهیه دوره معرفی دوره را مشاهده بفرمایید
تماس با مدرس:
• Telegram: t.me/matlabanyone
• Telegram: t.me/hassan_saadatmand
• Email: h.saadatmand22@yahoo.com
• Website: www.matlablearning.com
• Phone: 09155137038
مدرس حسن سعادتمند:
• بیش از 250 دوره آموزشی در متلب و پایتون
• بیش از 15 سال تجربه در زمینه تدریس
LinkedIn , Google Scholar, ResearchGate
دوستانی که تمایل دارند این دوره را در پایتون Python داشته باشند با مدرس در ارتباط باشند.
انتخاب ویژگی با الگوریتم MRMR در پایتون Python
هشتگ‌های مرتبط
#FeatureSelection #MRMR #Classification #Regression #MATLAB
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.