Wpływ dodawania szumu na trafność algorytmów uczenia: np. dodanie dodatkowych cech wejściowych z czystym szumem (nawet wielu), zaszumienie istniejących cech, zaszumienie wartości na wyjściu (np. losowe zmiany etykiet klas w części obiektów).
Celem projektu jest zbadanie wpływu dodawania szumu na trafność algorytmów uczenia maszynowego. Szum może być dodawany na różnych etapach procesu uczenia, np.:
- dodanie dodatkowych cech wejściowych z czystym szumem (nawet wielu),
- zaszumienie istniejących cech,
- zaszumienie wartości na wyjściu (np. losowe zmiany etykiet klas w części obiektów).
- Wybór zbioru danych
- Wybrano zbiór danych "Iris" dostępny w bibliotece sklearn.datasets
- Oraz zbiór danych "Wine" dostępny w bibliotece sklearn.datasets
- Implementacja algorytmów uczenia maszynowego
- Wykorzystano algorytmy: SVM, KNN, Random Forest, oraz prostą sieć neuronową MLP
- Zaimplementowano funkcję, która zwraca trafność klasyfikacji dla zbioru danych
- Implementacja sposobów dodawania szumu
- Dodawanie szumu nowych cech wejściowych z czystym szumem
- Dodawanie szumu nowych cech wejściowych ze skorelowanym szumem
- Dodawanie szumu do istniejących cech wejściowych z czystym szumem
- Dodawanie szumu do istniejących cech wejściowych ze skorelowanym szumem
- Dodawanie szumu na wyjściu (losowe zmiany etykiet klas w części obiektów)
- Zbadanie wpływu dodawania szumu na trafność algorytmów uczenia maszynowego
- Zaimplementowano funkcję, która dodaje szum do zbioru danych
- Zbadano wpływ dodawania szumu na trafność klasyfikacji dla różnych algorytmów uczenia maszynowego
- Przeprowadzenie eksperymentów
- Wyniki i ich analiza
- Wnioski