La aplicación de técnicas de aprendizaje automático a la epidemiología de COVID-19 es una medida necesaria que se puede aprovechar para reducir la propagación de esta endemia. Las técnicas convencionales utilizadas para determinar la epidemiología de COVID-19 son lentas y costosas, y los datos son escasos. Investigamos los efectos de los filtros de ruido en el rendimiento de los algoritmos de aprendizaje automático en el conjunto de datos de epidemiología de COVID-19. Se utilizan algoritmos de filtro de ruido para eliminar el ruido de los conjuntos de datos utilizados en este estudio. Aplicamos nueve técnicas de aprendizaje automático para clasificar la epidemiología de COVID-19, que son bagging, boosting, máquina de soporte vectorial, memoria a largo y corto plazo bidireccional, árbol de decisión, Bayes ingenuo, vecino más cercano, bosque aleatorio y regresión logística multinomial. Se recopilaron datos de pacientes que contrajeron la enfermedad por coronavirus de la base de datos de Kaggle entre el 23 de enero de 2020 y el 24 de junio de 2020. Se utilizaron datos ruidosos y filtrados en nuestros experimentos. Como resultado de la eliminación de ruido, los modelos de aprendizaje automático han producido altos resultados para la predicción de casos de COVID-19 en Corea del Sur. Para casos aislados después de realizar operaciones de filtrado de ruido, las técnicas de aprendizaje automático lograron una precisión entre el 98-100%. Los resultados indican que filtrar el ruido del conjunto de datos puede mejorar la precisión de los algoritmos de predicción de casos de COVID-19.