انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 8 1 2025 06 22 Fuzzy Entropy-Based Method for Feature Selection ارایه روشی برای انتخاب ویژ گی مبتنی بر آنتروپی فازی 27 38 225802 10.22034/jfsa.2025.516509.1269 FA حمیدرضا ملکی سروستانی دانشکده علوم، دانشگاه صنعتی شیراز، شیراز، ایران زینب رئیسی دانشکده علوم، دانشگاه صنعتی شیراز، شیراز، ایران رضا اکبری دانشکده مهندسی فناوری اطلاعات و ارتباطات، دانشگاه صنعتی شیراز، شیراز، ایران Journal Article 2025 04 14 In the digital age era, data has been developed as a valuable asset. They contribute significantly to the performance of machine learning methods. With extensions of big data, the selection of relevant features and the removal of redundant features is a crucial step in improving the performance of machine learning algorithms. The filter-based method is one of the common ways for feature selection. A variety of criteria are used to evaluate features using the filter-based method. In this paper, a new method based on Fuzzy entropy is proposed to identify relevant and redundant features. The proposed method has improved the performance of the algorithm by reducing the selected features, space, and processing time. The performance of the proposed method is investigated using some UCI and Kaggle benchmark datasets. The results show that the proposed method improves the classification accuracy compared to the feature selection method based on entropy. Also, the data processing time is reduced. در عصر دیجیتال داد ه‌ها به عنوان یک دارایی با ارزش توسعه یافته‌اند و سهم بزرگی درعملکرد رو ش‌ها ی<br />یادگیری ماشین دارند. با گسترش داده‌هایی با ابعاد بالا، انتخاب ویژگی‌های مرتبط و حذف ویژگی‌های زاید<br />گامی موثر در بهبود کارآیی ا لگوریتم‌های یادگیری بشمار می‌آید. یکی ا ز رو ش‌های متداول برای ا نتخاب ویژگی ،<br />رو ش‌های مبتنی بر فیلتر است. در رو ش‌های مبتنی بر فیلتر معیارهای متفاوتی برای ارزیابی ویژگی‌ها بکار<br />گرفته می‌شو د. در این پژوهش معیا ری جدید مبتنی بر آنتروپی فازی بر ای شناسایی ویژگی‌های مرتبط و<br />افزونه پیشنهاد شده است. روش پیشنهادی با کاهش ویژگی‌های انتخابی علاوه بر کاهش فضای مورد نیاز و<br />کاهش زمان پردازش داده، موجب بهبود عملکرد الگوریتم یادگیری شده است. کیفیت روش پیشنها دی با<br />بررسی سه مجموعه داد ه از پایگاه های داده UCI و Kaggle ارزیابی شده است. نتایج نشان می‌دهد روش<br />پیشنها دی در مقایسه با روش انتخاب ویژگی بر مبنای آنتروپی، قادر به بهبود دقت طبقه‌بندی است؛ هم‌چنین<br />زمان مورد نیاز بر ای پردازش داده کاهش می‌یابد https://jfsa.fuzzy.ir/article_225802_aab4c53e370ec6deac5c29ea7e940b07.pdf