En jämförelse mellan olika klassificeringsalgoritmers motståndskraft mot brus i normalfördelad data

Most real world data contains some amount of noise, i.e. unwanted factors obscuring the underlying signal, making it harder to detect or categorize. This is a problem in machine learning classification. Multiple studies have shown the impact noise can have on the difficulty of different classification problems. Both attribute and class noise can have a big impact on classification accuracy, especially as the levels of noise increase. In this study we analyse how severely a number of different classification algorithms are affected by both attribute and class noise, and how the number of classes and parameters further affect their resistance to noise. Similar studies have been done before, but we aim to supplement this research by using classifiers not as broadly studied, with self- generated data. This aims to increase our control of experiment parameters to give us more easily interpretable results. Among the classification algorithms used (Support Vector Machine, Random Forest, K-Nearest Neighbours and K-Means Clustering), the Random Forest algorithm outperform the other classifiers in most of the tests performed. However, both initial performance with noise free data and the resistance to noise seem to be highly dependant on the nature of the data itself, and also on the type of noise introduced. Ultimately, more research is needed, especially concerning how different data distributions and classifier parameters impact noise resistance När man samlar in data förväntar man sig i princip alltid en viss mängd brus. Brus kan försämra kvaliten på datan och göra den mer svårtolkad. Detta är ett problem inom maskininlärningsklassificering. Flera studier har visat svårigheterna som uppstår inom detta område när datan som använder är brusfylld. Både brus i attribut och i klasser har visat sig skadligt för klassifikationsnoggrannhet, speciellt för högre nivåer av brus. I denna studie analyserar vi hur skadligt attribut och klass-brus är för ett antal klassifikationsalgoritmer, samt hur antalet klasser och parametrar påverkar dessa resultat. Liknande studier har gjorts förut, men vi ämnar till att bygga på dessa resultat genom vårt val av klassificerare, samt genom egengenererad data. Egen data bidrar till kontrollerade experiment med mer lättolkade resultat. Bland de klassifikationsalgoritmer som används (SupportVector Machine, Random Forest,K-NearestNeighbours och K-Means Clustering), så är Random Forest generellt bäst. Dock så verkar både brusresistans och klassifikationsnoggrannhet bero väldigt mycket på hur datan ser ut, samt på vilket sorts brus som introduceras. I slutändan krävs det mer forskning i detta område, speciellt när kring hur olika datadistributioner och parametrar till klassifikationsalgoritmer påverkar restultaten