در حوزه های مختلف کاربردی، داده های چندبرچسبه با ابعاد بالا بسیار موردتوجه قرار ُعد بالا و همچنین تعداد زیادی گرفته اند که دو چالش مهم شامل: نمونه ها با ویژگی های ب برچسب را به همراه دارد. در انتخاب ویژگی چندبرچسبه، هدف انتخاب زیرمجموعه ای از ویژگی ها از یک مجموعه است که برای پیش بینی چندین برچسب یا دسته مرتبط با هر نمونه بسیار مناسب می باشد. با این حال، اغلب روش های موجود طبقه بندی چندبرچسبه، مواردی چون وابستگی های برچسب و توزیع نامتعادل برچسب را نادیده گرفته اند، هرچند که دارای بینش های ارزشمند برای طراحی الگوریتم های مؤثر انتخاب ویژگی چندبرچسبه باشند. در این پایان نامه، یک مدل انتخاب ویژگی پیشنهاد می شود که با بهره گیری از همبستگی های سراسری و محلی برچسب ها، ویژگی های متمایزکننده در سراسر برچسب ها را انتخاب کند. علاوه بر این، با بازنمایی ماتریس ویژگی و ماتریس برچسب در یک فضای مشترک نهان، همبستگی های موجود بین ویژگی ها و برچسب ها را بدست می آورد. در این فضای مشترک، الگوها یا ارتباطات مشترکی که در سراسر چندین برچسب و ویژگی وجود دارد، مشخص می شود. تابع پیشنهادی شامل نُرم 2,1ℓ و یک الگوریتم مبتنی بر تکرار و بهینه سازی متناوب است تا ضرایب خلوت مورد نیاز برای انتخاب ویژگی چندبرچسبه را بدست آورد. ارزیابی روش پیشنهادی بر روی شش معیار ارزیابی و دوازده مجموعه داده انجام شده است و نتایج نشان دهنده این است که مدل ارائه شده مؤثر، و عملکرد آن از روش های مقایسه شده بهتر است.
