我正在使用一个数据集，如果一个示例被标记为正数，它肯定是正数。不幸的是，对于负类，如果标签被标记为负，则不能这样说（并且它可能被证明是正类）。此外，标记为负的示例数量远远多于标记为正的示例数量。我正在尝试在此训练数据集上学习分类模型。我想知道在这种情况下可以使用什么技术（特定类的标签可能会很嘈杂）
标签的嘈杂不是问题，大多数分类器认为，某些数据被错误标记（如 SVM 及其软边距）。有趣的是，一个特定类的正确性之间存在不成比例的事实。这可以通过几种方式实现：
- 使用类加权方案，并按比例为正类附加更大的权重，因为由于其"正确性"，您应该更关心正确的分类，而您可以拥有更多负类的错误分类元素（这也是类大小不成比例的解决方案）
- 在使用一些参数拟合时 - 使用自定义黑客指标，它将加权积极因素而不是消极因素（因此您更关心TP和FP，而并不真正关心TN和FN）。最简单的情况是精度度量，它只是忽略 TN 和 FN，但您也可以使用 F-beta 度量，它在精度和召回率之间取得平衡 - 在您的情况下，您应该选择小 beta（可能与正/负正确率的比率成反比）。一般来说，这个 beta 参数显示了你关心召回次数的次数，然后是精度的次数。
- 使用新颖性检测而不是二元分类，并专注于检测阳性样本。对于此类任务，有许多可能的模型，其中之一是单类 SVM。
您还可以尝试修复数据集中的标签：如果数据集确实太嘈杂，则可能会损害分类器性能（如在假设的没有噪声的上帝标准测试集上评估的那样）。
可以使用分类器输出来帮助标记。如果您使用的是scikit-learn，例如SGDClassifier(loss='log')之类的模型可以使用predict_proba方法为您提供课堂作业概率。因此，您可以：
1-在嘈杂的开发集上训练第一个模型2-计算此数据集上的类分配概率3-假设分类器没有完全过度拟合噪声（如果你有很多真正的负示例，这对于线性模型来说不太可能），按概率对违规行为进行排名：将最有问题的分类错误放在顶部：它们最有可能被错误标记的例子4-按顺序手动检查这些违规行为并相应地更新标签
然后迭代，直到您对数据质量更满意。