我有一个属于三个不同类别的数据集：A、B 和 C。在这三个类别中，标签 C 的分类与其他两个类别相比是不可靠的。换句话说，C 类中的一些样本实际上属于 A 类和 B 类。现在，我需要运行一些监督学习（逻辑回归、决策树和随机森林）模型。根据混淆矩阵，A和B之间的分类是比较准确的，但是C和其他两个类之间的分类是不能接受的。我想知道是否有任何方法可以处理这个问题？
目前，我正在考虑在运行模型之前对 C 类中的样本使用聚类算法。将 C 类的样本分成 3 组后，尝试找到一个相对较好的组作为 C 类的数据集。
您有一个常见问题，即您的学习数据嘈杂。当然，如果您可以做任何事情来改善您的数据/使用更多数据，那么这就是您要走的路。但我认为手动清洁是不可能的。
噪音的原因？
机器学习中有不同的方法来处理噪声数据。这在很大程度上取决于您的噪音来自哪里。它有助于理解为什么您的标签不正确。在您的情况下，这听起来像是一个结构性错误，您在某些条件下系统地错误分类。
解决噪声数据问题的机器学习方法
除了简单的规则（如果适用）之外，还有更复杂的方法来解决这个问题。有许多论文（例如this、this和this）提出了以下不同的变体：
通过这种方式，您可以尝试让网络认识到自己的错误。其中一些模型相当复杂，而另一些则相当复杂。甚至还有一篇论文训练网络对噪声进行分类，然后根据特征+噪声分类进行预测。
我不确定是否有任何最佳实践，但哪种架构在哪种情况下效果最好。您可能需要尝试一些替代方案。