Контрольоване навчання з невизначеними даними?

Чи існує існуюча методологія застосування наглядової моделі навчання до непевного набору даних? Наприклад, скажімо, у нас є набір даних з класами A і B:

+----------+----------+-------+-----------+
| FeatureA | FeatureB | Label | Certainty |
+----------+----------+-------+-----------+
|        2 |        3 | A     | 50%       |
|        3 |        1 | B     | 80%       |
|        1 |        1 | A     | 100%      |
+----------+----------+-------+-----------+

Як ми могли тренувати модель машинного навчання на цьому? Дякую.

Як числова якість, яку ви присвоюєте своїм даним, я думаю, що ця «визначеність», безумовно, може бути використана як вага. Більш високі показники "визначеності" збільшують вагу, яку має дана функція прийняття рішення, що має сенс.

Багато контрольованих алгоритмів навчання підтримують зважування, тому вам просто потрібно знайти зважену версію тієї, яку ви збираєтесь використовувати.

Замість того, щоб мати мітки A або B, ви можете замінити їх безперервними значеннями визначеності - наприклад, відповідає тому, що ви впевнені, це , відповідає тому, що ви впевнені, і відповідає чомусь ви «повторно 40% впевнений , що це . Потім створіть модель, яка замість прогнозування класу або виводить бал від до виходячи з того, наскільки ви вважаєте його одним чи іншим (і порогову оцінку на основі, якщо її> або <1/2). Це перетворює вашу проблему класифікації в проблему регресії (яку ви порожите, щоб повернутися до класифікатора).$1$$A$$0$$B$$0.6$$A$$A$$B$$0$$1$

Наприклад, ви можете встановити лінійну модель до як (де - визначеність вище). Потім, коли ви хочете перевірити деякі дані, підключіть їх до моделі та виведіть мітку якщо і іншому випадку.$\log \frac{p(A|x)}{p(B|x)} = \log \frac{p(A|x)}{1-P(A|x)}$$\beta_0 + \beta_1^T x$$p(A|x)$$A$$\beta_0 + \beta_1^T x >0$$B$