我有一个数据集，包含了有糖尿病和没有糖尿病的人。我希望利用这些数据训练一个模型，来计算未知糖尿病状态的人的风险概率。我知道在训练数据中，大多数未被诊断为糖尿病的人确实没有糖尿病，但其中一些人可能有未被诊断的糖尿病。

这似乎是一个两难的局面。我想识别出有风险或可能有未诊断糖尿病的人，然而我知道我的训练数据集中有些人被错误地标记为没有糖尿病，因为他们尚未被诊断。有人遇到过这样的问题吗？如果数据中只有小部分被错误标记，我们是否还能继续进行？

回答：

解决你的问题可能有几种方法。

首先 – 这可能根本不是问题。如果误标记的数据只占训练集的一小部分，可能无关紧要。实际上，在某些情况下，添加误标记的数据或只是随机噪声反而能提高分类器的鲁棒性和泛化能力。

其次 – 你可以使用训练集来训练分类器，然后检查分类器错误分类的那些数据点。分类器可能实际上是正确的，并指出了被错误标记的数据。如果可能的话，这些数据可以随后进行手动检查。

第三 – 你可以预先使用共识过滤器等方法来过滤数据。这篇文章可能是你研究这个主题的好起点：识别误标记的训练数据 – C.E. Brody 和 M.A. Friedl。