Контролируемое обучение с неопределенными данными?

Существует ли существующая методология применения контролируемой модели обучения к неопределенному набору данных? Например, скажем, у нас есть набор данных с классами A и B:

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

Как мы можем обучить модели машинного обучения на этом? Спасибо.

Как числовое качество, которое вы приписываете своим данным, я думаю, что эта «уверенность», безусловно, могла бы использоваться как вес. Более высокие оценки «достоверности» увеличивают вес, который имеет элемент данных для функции принятия решения, что имеет смысл.

Многие контролируемые алгоритмы обучения поддерживают веса, поэтому вам просто нужно найти взвешенную версию той, которую вы намереваетесь использовать.

$1$$A$$0$$B$$0.6$$A$$A$$B$$0$$1$

$\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$