是的，有偏见。例如，假设您的分类器在 80% 的时间里都同意专家的意见。现在，有几种选择，这里有两个极端：你的模型更好，因为它不同意的 20% 是专家错误的地方 -> 你的表现被低估了，或者你不同意的 20% 都是专家是对的->您的表现被高估了。

您可以通过搜索“不完美的黄金标准”找到更多信息。有一些不错的贝叶斯方法可用，但我对它们还不够熟悉，无法推荐任何一种。它也可能更像是一个“多读者”问题，特别是如果您的专家彼此不同意。

而且，是的，如果你用部分错误的类标签训练你的模型，你的模型会受到影响。它将尝试模仿有缺陷的专家。

我不知道任何特定方法是否特别具有抵抗力，我认为输出类概率的分类器可能会有所表现，因为您可以通过调整截止值来稍微纠正专家对某一类的偏见。但这只是我的直觉。

对于随机标签翻转噪声的情况，我们已经做了一些工作。文件：

J. Bootkrajang 和 A. Kaban。标签噪声鲁棒逻辑回归及其应用。过程。ECML-PKDD(1) 2012，第 143-158 页。

J. Bootkrajang 和 A. Kaban。使用稳健稀疏逻辑回归对错误标记的微阵列进行分类。生物信息学。29（7）：870-877，2013。