بررسی تاثیر نویز بر دقت الگوریتم های کلاسه بندی

نویز در داده ها ممکن است باعث اریبی در فرایند یادگیری شده و الگوریتم کلاسه بندی را در تولید مدل های دقیق از داده ها با مشکل مواجه کند. بخصوص در حالتی که نویز در مجموعه داده های آموزشی اتفاق می افتد باعث می شود فرایند یادگیری ومدل حاصله توسط نمونه های ناقص آسیب ببیند. در این مقاله، تاثیر نرخ های مختلف نویز بر روی دقت چهار الگوریتم کلاسه بندی بیزین ساده، نزدیکرترین K همسایه، درخت تصمیم C4.5 و ماشین بردار پشتیبان با آزمایش بر روی ده مجموعه از داده ها با کاربردهای مختلف با مقادیری از نوع اسمی و عددی مورد بررسی و ارزیابی قرار می گیرد. نتایج حاصل می تواند به ما در انتخاب الگوریتم یادگیری مناسب که کمتر به داده های نویز حساس می باشند کمک نمایند. بعلاوه مشخص نماید. الگوریتم های یادگیری و کلاسه بندی قوی وجود چه میزان از داده های نویز را می توانند تحمل نمایند

کلیدواژه ها:

دقت کلاسه بندی ، نویز ، نویز کلاسی ، یادگیری با نظارت