作为您赋予数据的数字质量，我认为这种“确定性”肯定可以用作权重。较高的“确定性”分数会增加数据对决策函数的权重，这是有道理的。

许多监督学习算法都支持权重，因此您只需找到您打算使用的加权版本。

您可以将它们替换为确定性的连续值，而不是使用标签 A 或 B——例如，$1$对应于你确定的东西$A$,$0$对应于你确定的东西$B$和$0.6$对应于你 40% 肯定的东西$A$. 然后，有一个模型，而不是预测类$A$或者$B$输出之间的分数$0$和$1$基于你认为它的一个或另一个的多少（并根据它的 > 或 < 1/2 阈值这个分数）。这会将您的分类问题变成回归问题（您可以将其阈值返回到分类器）。

例如，您可以将线性模型拟合到$\log \frac{p(A|x)}{p(B|x)} = \log \frac{p(A|x)}{1-P(A|x)}$作为$\beta_0 + \beta_1^T x$（在哪里$p(A|x)$是上面的确定性）。然后，当你想测试一些数据时，将其插入模型，并输出标签$A$如果$\beta_0 + \beta_1^T x >0$和$B$除此以外。