在机器学习中,标签噪声的存在会增加模型的建模复杂度,降低模型的分类性能。标签噪声处理方法主要分为以下两种:一是研究一些通用的算法消除标签噪声对模型的不良影响,其旨在容纳噪声;二是对模型的输入流进行处理,即对样本中标记错误的数据进行纠正或者清除。本文基于模型预测对样本数据进行预处理的方式,开展基于标签噪声的分类器性能优化研究,提出了结合三支决策自适应噪声过滤方法,并将该算法集成到一个标签噪声自适应过滤系统上。本文的主要工作如下:1.为了解决噪声处理算法中参数固定设置问题,基于自适应学习思想,提出了一种自适应学习参数的噪声过滤方法,称为标签噪声自适应过滤学习。该方法不依赖于噪声估计或其他测量,不需要优化任何参数,基于k-means易实现、参数少且速度快等优点,本文通过对样本损失值迭代地使用k-means将噪声样本从正常样本中识别出来。此外,该方法可以结合不同损失函数或分类器,具有较好的通用性。2.针对二支决策在信息不足时误判数据样本归属的情况,基于显著噪声特性与三支决策思想,提出一种噪声划分方法。该方法利用类簇标签匹配对部分数据样本点划分归属,剩余样本点根据投票数量划分类簇,生成三支决策聚类结果,并对边界域数据采用延迟决策,提高模型的准确率与稳定性。3.结合本文三支决策自适应噪声过滤方法,设计并实现了一个标签噪声自适应过滤系统,该系统无需任何参数优化即可过滤用户上传的数据。系统简洁且易于使用,能够很方便地应用于实际工作中。本文提出了标签噪声自适应过滤学习和基于三支决策噪声划分方法,并将两个方法进行有效融合。实验结果表明,本文的算法在提升模型性能上取得了良好效果。