CV


FA
Hamid Saadatfar

Hamid Saadatfar

Associate Professor

Faculty: Electrical and Computer Engineering

Department: Computer

Degree: Ph.D

CV
FA
Hamid Saadatfar

Associate Professor Hamid Saadatfar

Faculty: Electrical and Computer Engineering - Department: Computer Degree: Ph.D |

Dr. Hamid Saadatfar is currently an associate professor of Computer Engineering Department at University of Birjand. He has received his B.Sc., M.Sc., and Ph.D. degrees from Ferdowsi university of Mashhad in 2007, 2009 and 2014, respectively. His research interests include:

  • Parallel and Distributed Processing (Cluster, Grid and Cloud Computing),
  • Data Mining and Machine Learning,
  • Big Data Analysis (Data Mining Methods for Big Data)
  • and Power-aware Computing.

Show More

یک رویکرد نوین مبتنی بر یادگیری عمیق برای انتخاب ویژگی و کاهش داده جهت بهبود طبقه بندی در مجموعه داده های نامتوازن

Authorsحمید سعادت فر,میثم خادم,مهدی خزاعی پور
Conference Titleاولین کنفرانس بین المللی هوش مصنوعی و فناوری های مرتبط
Holding Date of Conference2025-10-29
Event Placeزاهدان
Page number0-0
PresentationSPEECH
Conference LevelInternal Conferences
Keywordsانتخاب ویژگی, یادگیری ماشین, دادههای نامتوازن, خوشه بندی فازی, خود رمز نگار, طبقه بندی, شبکه های عصبی, الگوریتمهای بهینه سازی.

Abstract

در پاسخ به چالشهای ناشی از وجود ویژگیهای زائد و دادههای نامتوازن در مسائل طبقه بندی این پژوهش یک روش ترکیبی نوین مبتنی بر خوشه بندی فازی (FCM) و شبکه عصبی خود رمز نگار برای انتخاب ویژگی ارائه میدهد. هدف از این روش کاهش ابعاد داده و افزایش دقت مدلهای یادگیری ماشین از طریق حذف ویژگیهای غیر ضروری و استخراج ویژگیهای کلیدی است. در مرحله نخست، دادهها با استفاده از الگوریتم FCM خوشه بندی میشوند و سپس ویژگیهای مرتبط با هر خوشه استخراج میگردد. در ادامه شبکه خود رمز نگار برای فشرده سازی دادهها و شناسایی الگوهای پنهان به کار گرفته میشود تا ویژگیهای موثر حفظ و سایر ویژگیها حذف شوند. روش پیشنهادی بر روی پایگاههای داده استاندارد ارزیابی شده و با مدلهای مختلف یادگیری ماشین شامل NB، KNN، DT، RF، MLP، SVM، LR مقایسه شده است. نتایج نشان میدهد که پس از اعمال انتخاب ویژگی شاخصهای ارزیابی مانند دقت، حساسیت و AUC به طور قابل توجهی بهبود یافته اند. همچنین مقایسه با روشهای مرجع مانند MOGA، PSO و روشهای مبتنی بر همبستگی حاکی از برتری روش پیشنهادی در کاهش پیچیدگی و افزایش تعادل در دادههای نامتوازن است. این یافتهها نشان میدهد که ادغام خوشه بندی فازی و یادگیری عمیق میتواند راهکاری موثر برای بهینه سازی انتخاب ویژگی و بهبود عملکرد طبقه بندی باشد.

Paper URL