تاثیر نویز بر الگوریتم های یادگیری با نظارت

مجموعه داده های واقعی اغلب کامل نبوده و حاوی مقادیر نویز می باشند که می تواند باعث کاهش کارایی الگوریتم های یادگیری درمواجه با این داده ها گردد. بنابراین تاثیر مواجه با نویز یکی از چالش های اساسی در الگوریتم های یادگیری با نظارت برای بدست آوردن یک مدلقابل اعتماد از داده ها بشمار می رود در این مقاله، تاثیر درجه های مختلف نویز بر روی دقت چهار الگوریتم یادگیری با نظارت بیزین ساده، نزدیکترینkهمسایه، درخت تصمیم4.5C و ماشین بردار پشتیبان مورد بررسی و ارزیابی قرار می گیرد. این الگوریتم ها جزء ده الگوریتم برتر در داده کاوی بشمار می آیند. نتایج حاصل می تواند به ما در انتخاب الگوریتم یادگیری مناسب که کمتر به داده های نویز حساس می باشند کمک نماید. 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