Aprendizado supervisionado com dados incertos?

Existe uma metodologia existente para aplicar um modelo de aprendizado supervisionado a um conjunto de dados incerto? Por exemplo, digamos que temos um conjunto de dados com as classes A e B:

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

Como podemos treinar um modelo de aprendizado de máquina nisso? Obrigado.

Como qualidade numérica atribuída aos seus dados, acho que essa "certeza" certamente poderia ser usada como peso. Pontuações mais altas de "certeza" aumentam o peso que um dado tem sobre a função de decisão, o que faz sentido.

Muitos algoritmos de aprendizado supervisionado suportam pesos, portanto, você só precisa encontrar uma versão ponderada daquela que pretende usar.

Em vez de ter os rótulos A ou B, você pode substituí-los por valores contínuos de certeza - por exemplo, corresponde a algo que você tem certeza de que é , corresponde a algo que você tem certeza de que é e corresponde a algo que você 're 40% de certeza é . Em seguida, tenha um modelo que, em vez de prever as classes ou produza uma pontuação entre e base no quanto você acha que é uma ou outra (e limite essa pontuação com base em se é> ou <1/2). Isso transforma seu problema de classificação em um problema de regressão (que você limita para retornar a um classificador).A 0 B 0,6 A A B 0 $1$$A$$0$$B$$0.6$$A$$A$$B$$0$$1$

Por exemplo, você pode ajustar um modelo linear para como (onde é a certeza acima). Então, quando você quiser testar alguns dados, conecte-os ao modelo e, em seguida, rótulo se e caso contrário. β0+β T 1 xp(A|x)Aβ0+β T 1 x>0$\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$