如果您有错误的数据并且无法获得真正的标签，那么您无法采取任何“正确”措施来获取此信息。

您可以首先将其视为无监督问题（或半监督问题），通过使用带有 2 个集群的聚类（因为您知道只有 2 个标签）来获得预测标签的模型，然后进行分类。请注意，这样的结果可能过于乐观。

在对噪声机制和数据分布的温和假设下（例如，小于的数据被错误标记），可以证明一些分类器在二元分类设置中是一致的。则称分类器取决于训练数据是一致的 其中分类器风险 := 被贝叶斯分类器 $\frac{1}{2}$$C_n$

K-最近邻和支持向量机可以被证明满足这个条件，而线性判别分析则不能。由于此限制保证为，因此这并不能回答您在案例中需要多少数据，但是我在下面参考的论文中进行了模拟研究，这可能有助于您获得直觉。 $n → ∞$

参考

Cannings, TI, Fan, Y. 和 Samworth, RJ (2018) 训练标签不完善的分类。https://arxiv.org/abs/1805.11505。

以我的经验，如果出现错误数据，最好的做法是摆脱它。请看，与构建算法并将其应用于数据的传统编程不同，在机器学习中，算法来自数据本身，所以如果你输入错误的数据，它会破坏你的算法，你会得到很差的性能。您在任何机器学习算法中使用的数据都应该尽可能干净和简洁，以产生良好的结果。

你有一堆已知的 As（如果我没看错的话）和其他一些可能是也可能不是 As 的情况。所以你想从未知集合中找到最相似的案例。听起来比较简单。如果 As 确实不同，那么您将在相似性函数中得到很好的突破。