Feature selection using ranking algorithms

Abstract

Günümüzde veriler birçok biçimde ve inanılmaz boyutta saklanır, bu kadar veriyi analiz etmek için ve Verilerin makine tarafından anlaşılabilir kılınması için yeni yöntemler ve algoritmalar geliştirilir, Orijinal verileri `Özellikler` biçiminde gösteren daha basit bir forma dönüştürülmelidir. Verilerin özelliklere dönüştürüldüğü sürece `Özellik Çıkarma` işlemi denir. Ancak bir çok özellik var ve problem için en verimli olanı kullanmak gerekiyor, bu yüzden özellik seçim süreci önemli. Kaur ve diğ. [7] araştırmalarında, özellikleri sıralamak ve çalışmalarına en uygun özellik grubunu seçmek için Çok Kriterli Karar Destek Yöntemleri `MCDM` den biri olan AHP-topsis algoritmasını kullandılar, Bu araştırmada çalışmalarına daha fazla MCDM algoritması uygulanarak devam edilecek, özellikleri sıralamak için sonra da bu sonuçları karşılaştırmak için karşılaştırıyoruz. Kullanılacak en uyumlu özellikler seti

Nowadays the data is stored in many forms and with incredible size, new methods and algorithms are developed to analyze such amount of data, to make the data understandable by the machine, it should be converted to a simpler form that represents the original data in the shape of `Features`. The process in which the data is converted to features is called the `Feature Extraction` process. But there are a lot of features and just the most efficient to the problem should be used, therefore the features selection process is important. Kaur et al. in their research [7] used the AHP-topsis algorithm which is one of the Multi Criteria Decision Support Methods `MCDM` to rank the features and select the most appropriate features group to their work, in this research their work will be continued by applying more MCDM algorithms, to rank the features then we compare this results to extract The most compatible set of features to be used.