Application of Genetic Algorithm for Feature Selection in Optimisation of SVMR Model for Prediction of Yarn Tenacity

• Autorzy: Abakar K. A. A. , Yu C.

Warianty tytułu

PL

Zastosowanie algorytmów genetycznych do selekcji cech w optymalizacji modelu maszyn wektorów nośnych dla regresji w aspekcie prognozowania właściwości wytrzymałościowych przędzy

• Języki publikacji: EN

Abstrakty

EN

A proposed hybrid genetic algorithm (GA) approach for feature selection combined with support vector machines for regression (SVMR) was applied in this paper to optimise a data set of fibre properties and predict the yarn tenacity property. This hybrid approach was compared with a noisy model of SVMR that used all the data set of fibre properties as input in the prediction. The GA for feature selection was used as the preprocessing stage that aimed to find and select the best attributes or variables that most effect or are related to the prediction of yarn tenacity. The hybrid approach showed better predictive performance than the noisy model. However, the results indicated the suitability of GA for feature selection in the choice of the best fibre property attributes that give the preferred performance and high accuracy in the prediction of yarn tenacity.

PL

Zaproponowany system hybrydowy łączący algorytmy genetyczne z klasyfikatorem w postaci maszyny wektorów nośnych dla regresji (SVMR) został zastosowany dla zoptymalizowania zestawu danych obejmującego właściwości fizyczne włókien dla prognozowania właściwości wytrzymałościowych przędzy. W tym hybrydowym rozwiązaniu porównano zaproponowany model SVMR z modelem „zaszumionym”, w którym użyto pełny zestaw danych właściwości fizycznych włókien jako danych wejściowych w prognozowaniu. Algorytmy genetyczne w selekcji cech zostały użyte na etapie wstępnego przetwarzania, którego celem było znalezienie i wybranie najlepszych zmiennych, które najefektywniej są powiązane z przewidywaniem wytrzymałości przędzy. Hybrydowe rozwiązanie wykazało lepsze efekty przewidywania wytrzymałości przędzy w porównaniu z modelem „zaszumionym”. Jednakże wyniki badań wykazały, że do realizacji zadania polegającego na wyborze cech z selekcji najkorzystniejszych właściwości włókien bardzo przydatne są również algorytmy genetyczne, które umożliwiają uzyskanie wysokiej dokładności prognozowania wytrzymałości przędzy.

Słowa kluczowe

EN

genetic algorithm; feature selection; support vector machines for regression; yarn properties

PL

algorytm genetyczny; wybór funkcji; maszyny wektorów nośnych dla regresji; właściwości przędzy

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2013
• Tom: Vol. 21, no. 6 (102)
• Strony: 95--99
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Abakar K. A. A.

autor

Yu C.

Bibliografia

• 1. Robert N, John E, Gary M. Handbook of Statistical Analysis and Data Mining Applications. Elsevier Inc, 2009, UK.
• 2. Bir B, Yingqiang L, Krzysztof K. Evolutionary Synthesis of Pattern Recognition Systems. Monographs in Computer Science. Springer, 2005: p. 142.
• 3. Sette S, Boullart L, Van Langenhove L, Kiekens P. Textile Res. J. 1997; 67, 2: 84.
• 4. Sette S, Boullart L, Van Langenhove L. Textile Res. J. 2000, 70, 5: 375.
• 5. Van Langenhove L, Sette S. Ed. W Krug & A Verbraeck. Simulation in Industry 2002, 469.
• 6. Cheng YSJ, Cheng KPS. Textile Res. J. 2004. 74(8), 718
• 7. Claude S, Geoffrey I. W. Encyclopedia of Machine Learning. Springer Science+Business Media, LLC , New York, USA, 2010.
• 8. Vapnik VN. The nature of statistical learning theory. Springer-Verlag New York, 1995.
• 9. Campbell C, Ying Y. Learning with Support Vector Machines, in Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool, 2011: 1-95.
• 10. Jian GY, Zhi JL, Qian X. Fuzzy Systems and Knowledge Discovery, 2007. FSKD 2007. In: 4th International Conference, 2007, 1, 696.
• 11. Anindya G, Pritam C. Fibers and Polymers 2010; 11, 1: 84.
• 12. Deogratias N, How WX. Fibers and Polymers 2011; 12, 4: 546.
• 13. Shevade SK, Keerthi SS, Bhattacharyya C, Murthy KRK. Neural Networks. IEEE Transactions 2000; 11, 5: 1188.
• 14. Smola AJ, Schölkopf B. Statistics and Computing 2004; 14, 3: 199.
• 15. Platt JC. Advances in Kernel MethodsSupport Vector Learning. Cambridge, MA, MIT Press, 1999.