Cómo manejar datos ruidosos a través del aprendizaje automático

– use algo como Análisis de componentes principales para empezar, para reducir sus datos a lo esencial
– seleccione funciones que lleven menos ruido, consulte Selección de funciones y reducción de dimensionalidad
– Aplique técnicas de limpieza y normalización específicas del dominio, como eliminación de ruido de imagen, eliminación de ruido de video, filtrado de paso de banda (si se trata de series de tiempo), autoencoders de eliminación de ruido, derivación (en PNL) o caída de términos comunes: detener palabras, etc.
– use muestreo y validación cruzada x-fold para minimizar el impacto de un subconjunto de datos ruidoso en particular y evitar el sobreajuste
– use la votación y el promedio para tener en cuenta el ruido sistemático y mejorar la generalización (como en el perceptrón promediado, originalmente en Clasificación de margen grande utilizando el algoritmo de perceptrón y métodos de entrenamiento discriminativos para modelos ocultos de Markov)
– combine múltiples modelos con Boosting, mientras que un solo modelo puede ser susceptible al ruido El aprendizaje en conjunto minimiza su impacto
– en general, lea sobre el modelo de canal ruidoso, el propósito completo del aprendizaje automático es detectar o predecir la señal en presencia de ruido, por lo que una respuesta concisa a su pregunta sería: usar el aprendizaje automático.