This study investigates how the performance of a selection of machine learning classifiers is affected by the data complexity, measured by F1, N1, N2, and N3 in a multi class classification setting. This study uses synthetic datasets that span across the range of possible complexity levels for each complexity measure, allowing us to target the desired level of complexity for each dataset. The number of dimensions of the datasets was inspired by the Fashion-MNIST benchmark dataset. The study finds that classifier accuracy decreases when dataset complexity increases, the robustness of accuracies decreases as dataset complexity increases, and that the descriptive power of N1 and N3 are most reflective of real world performance.

Denna studie undersöker hur prestandan av ett urval av maskininlärningsklassifierare påverkas av komplexitetsmåtten F1, N1, N2 och N3 hos multiklass-dataset. Studien använder syntetiska dataset som täcker in hela spannet av möjliga komplexitetsvärden för varje komplexitetsmått. Detta gör det möjligt att ha dataset med precis det komplexitetsvärde som önskas för varje dataset. Antal dimensioner i dataseten inspirerades av Fashion-MNISTs dataset. Studien påvisar att klassifierarens träffsäkerhet minskar när datasetens komplexitet ökar, att robustheten av träffsäkerheten minskar när datasetens komplexitet ökar, samt att måtten N1 och N3 är de mått som bäst återspeglar verkligheten.