کد رو تا جایی که تونستم قسمت خروجی ها رو تنظیم کردم/ کدی که قرار دادم کامل تر هست ولی در کل چیزی که می خوام و خواست مشتری هم هست نشده / با توجه به وضعیت و کمبود زمان تا این جایی که درست رفته جلو رو قرار میدم/ برای اجرای کد به موارد زیر دقت کنید

فایلی که فرستادم شامل 4 پوشه مجزاست/ پوشه با نام کد همون کدهای مرحله اول هستند که قسمت های زیادی از اونها توی محاسبه روش های ضریب همبستگی چک شدن/ من با توجه مفاهیم رایج برای اون 3 مفهوم ضریب همبستگی رو چک کردم و فرمول رایج اون برای قسمت تابع هزینه (در قسمت استخراج ویژگی های برتر) نتیجه بهتری میداد رو انتخاب کردم/ بقیه رو غیر فعال کردم و توی بدنه کد هست

برای تحلیل مولفه ها/ از دو روش تحلیل مولفه های اصلی (PCA) و تحلیل مولفه های مستقل (LDA) استفاده کردم/ هر دو روش نسبت به حالت اولیه مقدار ضریب همبستگی و خطا رو کاهش میدن/
کدهای این 2 قسمت در پوشه هایی که آخر نام اونها به اون ختم میشه تنظیم و قرار داده شدن

برای استخراج بهترین ویژگی ها یا به زبان ساده تر انتخاب بهترین ترکیب از ستون ها برای یک مدل پایه از 3 الگوریتم فراابتکاری (الگوریتم ژنتیک / الگوریتم ازدحام ذرات/ الگوریتم فاخته) استفاده شده است/ نتیجه یک اجرا رو داخل خود پوشه قرار دادم/ در واقع بهترین ترکیب برای افزایش میزان ضریب همبستگی انتخاب میشه/ در این الگوریتم ها تابع هزینه وارون ضریب همبستگی هست

در واقع هدف بدست آوردن بیشترین ضریب همبستگی برای داده های تست هست / دقت کنید که این 3 الگوریتم برای داده های تعلیم مقدار قطعی 1 رو که بیشترین مقدار برای ضریب همبستگی است رو به راحتی محاسبه می کنند مقادیر بهینه شده و بدست آمده برای داده های تست هست یعنی داده هایی که توی آموزش سیستم استفاده نمیشه
— کد این قسمت هم در پوشه مجزا قرار گرفته شده است/ این کد بهتون اجازه میده 11 مدل رو انتخاب و با 3 روش فراابتکاری بهترین ترکیب رو برای مدل انتخابی بدست بیارید.

در این کد برای انتخاب بهترین ترکیب ویژگی باید یک مدل پایه رو انتخاب کنید / که اعداد 1 تا 11 متناظر با مدل ها هستند که توی بالای اون قسمت راهنما قرار دادم/ به عنوان مثال mdl_num عددی بین 1 تا 11 رو براش تعریف کدام که هر عدد بالاتر از اون نوشته شده که متناظر با چه متد یا مدل هوش مصنوعی هست/ اگر برابر یک تنظیم کنید مدل مورد استفاده برای انتخاب ویژگی patternnet محاسبه میشه/ بعد از بدست آوردن ویژگی ها با هر سه الگوریتم بهترین اونها براساس مقدار ضریب همبستگی (کورولویشن) مشخص و ویژگی های بدست آمده روی سایر مدل ها اعمال میشه و می تونید نتیجه این ویژگی های حاصل از مدل پایه روی بقیه رو مشاهده کنید
-توی قسمت کامند همه اطلاعات مورد نیاز برای نمایش و گزارش ر تنظیم کردم/ می توانید مقدار ضریب همبستگی قبل و بعد از استفاده از انتخاب ویژگی ها رو ببیند
دقت کنید اگر شبکه های عصبی رو برای پایه جستجو بهترین ترکیب انتخاب کنید زمان فوق العاده زیادی میگیره/ پیشنهاد میکنم با توجه به اینکه این مدل ها پایین تر از بردارهای پشتیبان و رگراسیونی قرار میگیرند محدودیت زمانی داشته باشید اونها رو انتخاب نکنید چون روش های فراابتکاری براساس تکرار ها و تکامل عمل میکنند و بسیار زمانبر هستند
 مدل رو هم کدهای اونها رو نوشتم و از 2 روزی هست در صدد برطرف کردن خطاهای اونها هستم/ کامل در بدنه کد موثر واقع نشده اند  توی کد فعلی اونها رو برای جلوگیری از خطا گذاشتم کنار