Bináris osztályozók zajérzékenysége

Abstract

A szakdolgozat különböző gépi tanulási algoritmusok teljesítményét és robusztusságát vizsgálja osztály-imbalansz és címkezaj együttes jelenlétében. A kutatás elsődleges célja annak feltárása, hogy a „szennyezett” adathalmazok miként befolyásolják a predikciós képességet és a modellmegbízhatóságot a modern adattudományi környezetben. A kísérleti módszertan során szisztematikusan változtatott zajszintek és imbalanszarányok mellett elemeztem többek között a szupportvektor-gépek, döntési fák és Bayes-alapú osztályozók viselkedését. Az eredmények rávilágítottak, hogy az osztályok közötti aránytalanság gyakran kritikusabb tényező a teljesítményromlásban, mint a mérsékelt szintű címkezaj. A vizsgálatok alapján a polinomiális kernelt használó szupportvektor-osztályozók és az extrém véletlenített fák bizonyultak a legellenállóbbnak a zajos és kiegyensúlyozatlan környezetben. A statisztikai elemzések, köztük a Friedman- és Nemenyi-tesztek, tudományosan is megerősítették az algoritmusok közötti teljesítménykülönbségek szignifikanciáját. A dolgozat zárásaként felállított rangsor gyakorlati útmutatót nyújt a szakemberek számára a megfelelő modell kiválasztásához alacsony adatminőség esetén. A kutatás eredményei így közvetlenül hozzájárulnak a robusztusabb osztályozási stratégiák kidolgozásához a „Big Data” korszak kihívásai közepette.