Apprendimento supervisionato con dati incerti?

Esiste una metodologia esistente per applicare un modello di apprendimento supervisionato a un set di dati incerto? Ad esempio, supponiamo di avere un set di dati con le classi A e B:

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

Come possiamo formare un modello di apprendimento automatico su questo? Grazie.

Come qualità numerica che attribuisci ai tuoi dati, penso che questa "certezza" possa sicuramente essere usata come un peso. I punteggi di "certezza" più elevati aumentano il peso che un dato ha sulla funzione decisionale, il che ha senso.

Molti algoritmi di apprendimento supervisionato supportano pesi, quindi devi solo trovare una versione ponderata di quella che intendi utilizzare.

Invece di avere le etichette A o B, potresti sostituirle con valori continui della certezza - ad esempio, corrisponde a qualcosa che sei sicuro è , corrisponde a qualcosa che sei sicuro è e corrisponde a qualcosa che 'nuovamente il 40% che è . Quindi, avere un modello che invece di prevedere la classe o genera un punteggio compreso tra e base a quanto pensi sia l'uno o l'altro (e imposta questo punteggio in base a se è> o <1/2). Ciò trasforma il problema di classificazione in un problema di regressione (che si soglia per tornare a un classificatore).$1$$A$$0$$B$$0.6$$A$$A$$B$$0$$1$

Ad esempio, puoi adattare un modello lineare a as (dove è la certezza sopra). Quindi, quando si desidera testare alcuni dati, collegarli al modello e generare l'etichetta se e altrimenti.$\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$