1）手动标记---这并不像听起来那么糟糕。尤其是当你应用迁移学习时，并且对于大多数数据集，你有很多预训练的模型。有产品，但也有内联 python库

2) 基于规则——不可见，因为您的模型将只关注这些 if-else 规则本身。如果这些规则在数据集中不那么可见，并且模型不能那么容易地捕捉到它，那将是最好的。这只是意味着它将开始学习其他可能有价值的功能中的信息。

3) Pseudo Labeling ---- 将自信的预测测试数据添加到您的训练数据中。因此，您将强化清晰标记的数据，并使用它们来帮助和标记/预测其他数据。请注意，它是一种潜在的过拟合方法。

4）无监督方法----尝试找到数据的良好表示。与应用聚类算法相比，它具有足够的区别性。如果生成的聚类清晰且不同，您可以查看每个聚类中的几个样本，并得出数据集中每个样本的标签是什么。

一个体面的简单方法是：

• 手动标记一些数据，或者通过应用规则来获得一些不可靠的标签，例如https://github.com/snorkel-team/snorkel
• 建立一个模型。
• 使用https://github.com/modAL-python/modAL之类的方法评估哪些输出最不确定
• 手动标记它们。
• 重复。