然而，确定性既简化了问题，也使问题复杂化了。如果 features->decision 数据不一致（它是！），它会简化它，你根本没有输出，所以确定性使我免于失败模式，但另一方面，我不确定是什么正确地处理确定性。

我不明白你想说什么。

无论如何，考虑确定性的最直接方法是将其用作权重（或曝光）并使用支持它的方法，例如 GLM 或 GBM。

例如，在这篇博文中解释了权重的概念

只是让你知道，在这种情况下，即使是神经网络也无法帮助你。为了让神经网络发挥作用，您需要在数据中拥有大量可学习的模式（即没有不确定性/不可约误差的数据）。如果数据本身在结果（即概率结果）本身中有很多不确定性，那么 NN 很难对其进行优化。（有关更多信息，请考虑使用 NN 对以下问题进行建模：XOR（概率 = 1）与 XOR（概率 <1））。

在这种情况下，您最好的选择可能是使用回归。让我们知道它是如何折叠的，谢谢。

这在一定程度上取决于这里测量的不确定性。

如果这意味着它是给定结果的概率为p，那么它并不难接近。如果你有 4 个结果并且你知道那个结果有60%，那么其他三个加起来有40%。您可以将这 40% 均匀地分布在其他三个类别中，使用先验概率将其分布或使用另一个模型来预测它将如何分布。一旦您对其他概率建立了模型，您就可以使用神经网络分类方法来传递这些概率，而不是一个热编码目标。直接将它们传递给基于树的方法是行不通的，尽管 XGBoost 多类分类可能能够被调整来处理这个问题。也就是说，另一种方法是重新采样您的数据集以使其显着更大，并从该分布中对目标进行采样。

如果不确定性是一种比直接的数学事物更像是一种感觉的度量，那么加权你的损失可能会更好，但它可能不一定是最好的线性方式。