Nadzorowane uczenie się z niepewnymi danymi?

Czy istnieje istniejąca metodologia stosowania nadzorowanego modelu uczenia się do niepewnego zestawu danych? Załóżmy na przykład, że mamy zestaw danych z klasami A i B:

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

Jak moglibyśmy szkolić w tym zakresie model uczenia maszynowego? Dzięki.

Jako wartość liczbową, którą przypisujesz swoim danym, myślę, że ta „pewność” z pewnością mogłaby zostać wykorzystana jako waga. Wyższe wyniki „pewności” zwiększają wagę danych na funkcji decyzyjnej, co ma sens.

Wiele nadzorowanych algorytmów uczenia obsługuje wagi, więc musisz tylko znaleźć ważoną wersję tego, którego zamierzasz używać.

Zamiast mieć etykiety A lub B, możesz zastąpić je ciągłymi wartościami pewności - na przykład odpowiada czemuś, co na pewno jest $1$$A$ , odpowiada czemu masz pewność, że B, a 0,6 odpowiada czemuś „re 40% pewny jest . Następnie przygotuj model, który zamiast przewidywać, że klasa A lub B generuje wynik od 0 do 1 na podstawie tego, jak myślisz, że to jedno lub drugie (i próg tego wyniku na podstawie, czy jego> lub <1/2). Sprawia to, że problem z klasyfikacją staje się problemem regresyjnym (który progujesz, aby wrócić do klasyfikatora).$0$$B$$0.6$$A$$A$$B$$0$$1$

jakoβ0+β T 1 x(gdziep(A|x)jest pewnością powyżej). Następnie, gdy chcesz przetestować niektóre dane, podłącz je do modelu i wydrukuj etykietę$\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$