Học có giám sát với dữ liệu không chắc chắn?

Có một phương pháp hiện có để áp dụng mô hình học tập có giám sát vào một bộ dữ liệu không chắc chắn? Ví dụ: giả sử chúng tôi có bộ dữ liệu với các lớp A và B:

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

Làm thế nào chúng ta có thể đào tạo một mô hình học máy về điều này? Cảm ơn.

Là một chất lượng số mà bạn gán cho dữ liệu của mình, tôi nghĩ rằng "sự chắc chắn" này chắc chắn có thể được sử dụng như một trọng số. Điểm "chắc chắn" cao hơn làm tăng trọng số mà dữ liệu có trên hàm quyết định, điều này có ý nghĩa.

Nhiều thuật toán học có giám sát hỗ trợ trọng số, vì vậy bạn chỉ cần tìm một phiên bản có trọng số của phiên bản bạn định sử dụng.

$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$