مقارنة بين طرق اختيار الميزات (Feature Selection) في تصنيف النصوص الكردية

الهدف من هذه الدراسة هو التحقيق في تأثير اختيار الميزات (Feature Selection - FS) على أداء المصنفات في تصنيف النصوص (Text Classification - TC) باللغة الكردية. يمكن أن يتأثرت دقة تصنيف النصوص سلباً بسبب الأبعاد العالية لـ "فضاء الميزات" (Feature Space)؛ ولذلك، يتم استخدام FS لتقليل فضاء الميزات وتحسين الدقة. تُقوّم هذه الدراسة العديد من طرق اختيار الميزات، بما في ذلك: (DFSS و CHI2 و DPM و Gini index و DFS و CMFS و CC)، وذلك على مجموعتي بيانات كردية (KDC-4007 و KNDH). تم توظيف خوارزميات (Multinomial Naive Bayes - MNB) و (Support Vector Machines - SVM) لتقييم الدقة ومقياس F-measure لطرق FS. يختبر المختبر تسع مجموعات فرعية من الميزات (50، 100، 250، 500، 750، 1000، 2000، 3000، و 4000). وتوصلت الدراسة إلى أن طريقتي FS المتمثلتين في CHI2 و DPM أظهرتا تفوقاً في نتائج الدقة ومقياس F-measure بالنسبة لـ SVM، في حين كانت طريقتَا CHI2 و CMFS هما الأفضل بالنسبة لـ MNB. ومن الأهمية بمكان الإشارة إلى أن معظم طرق FS لم تُطبّق في السابق إلا على النصوص الإنجليزية، مع وجود دراسات ضئيلة أو معدومة تقريباً تخص اللغة الكردية. بناءً على ذلك، تسد هذه الدراسة فجوة معرفية هامة في الأبحاث السابقة عبر تقييم فاعلية مختلف طرق FS في تصنيف النصوص للغة الكردية.