在Python中怎样检测并纠正机器学习训练集中的标签噪声

酷伟吖_1520

酷伟吖_1520

2026-11-21

391人浏览

原创

cleanlab可直接用模型预测概率识别高置信度误标样本:调用find_label_issues()返回is_label_issue为True的可疑样本,confidence_score越低越可能标错;需确保y_train为1D整数标签,predict_proba输出为numpy数组,并建议多模型交叉验证与类别先验校准。

在python中怎样检测并纠正机器学习训练集中的标签噪声

用 cleanlab 快速识别高置信度误标样本

标签噪声最直接的表现是:模型在训练时对某些样本预测置信度很高,但真实标签却和预测结果不一致。这说明标签很可能错了。cleanlab 就是专为这类问题设计的库,它不依赖模型结构,只用模型输出的预测概率(logits 或 predict_proba)就能定位可疑标签。

实操建议:

  • 训练完模型后,务必调用 model.predict_proba(X_train) 获取每个样本属于各类的概率矩阵,传给 cleanlab.filter.find_label_issues()
  • 默认使用 method="confident_learning",它比基于阈值或交叉验证的方法更鲁棒;若数据极不平衡,可加参数 frac_negatives_removed=0.05 控制修正强度
  • 注意:输入的 y_train 必须是整数类标(不是 one-hot),否则会报错 ValueError: y must be 1D
  • 返回的 label_issues_df 中,is_label_issue 为 True 的行就是最可能标错的样本,confidence_score 越低越可疑

手动验证前先做「一致性检查」:用多个模型交叉比对

单个模型的预测偏差可能掩盖真实标签错误,比如模型本身就在某类上系统性过拟合。这时候靠一个 cleanlab 结果就容易误杀。

实操建议:

  • 用不同架构(如 RandomForestClassifier 和 LogisticRegression)或不同随机种子训 3–5 个模型,分别生成 predict_proba
  • 对每个样本,统计有多少模型将其预测为当前标签——若多数模型都反对该标签(例如 5 个里只有 1 个支持),且该样本在原始数据中又没有明显歧义特征,那大概率是标签噪声
  • 避免直接删样本:先查原始数据来源,比如图像路径 data/train/cat/00123.jpg 对应的标签是 "dog",这种硬错误才该修正;若只是边界模糊(如“狼” vs “狗”),更适合留作验证集而非强行纠正

小样本或长尾场景下,别跳过「类别先验校准」

当某些类在训练集中极少(比如 0.3%),cleanlab 默认假设各类先验分布均匀,会导致对少数类的误标检出率偏低,甚至把正确标签当成噪声过滤掉。

使用 Claude Agent SDK 将绑定的 Claude 代码会话嵌入到 Python 自动化中
使用 Claude Agent SDK 将绑定的 Claude 代码会话嵌入到 Python 自动化中

当现有的脚本或服务需要将作用域化的仓库工作委托给 Claude Code 并以编程方式消费结构化响应时,请使用 Claude Agent SDK for Python。

下载

实操建议:

  • 显式传入真实类别频率:用 np.bincount(y_train) / len(y_train) 得到 class_names 对应的先验数组,再通过 cleanlab.rank.order_label_issues(..., class_names=class_names, clf_probs=probs, y=y_train) 中的 class_names 参数注入
  • 如果用的是 PyTorch 模型,注意 predict_proba 输出需是 CPU 上的 numpy 数组,不能直接传 torch.Tensor,否则报错 TypeError: can't convert cuda:0 device type tensor to numpy
  • 对 NLP 场景(如文本分类),若用 transformers 微调,记得用 trainer.predict() 取 predictions,再经 softmax 转成概率,别直接用 logits

纠正策略要分情况:重标、丢弃、加权,别一刀切

检测出噪声只是第一步,怎么处理直接影响下游性能。盲目全删或全重标,在小数据集上反而破坏分布。

实操建议:

  • 对 confidence_score 的样本,优先人工复查;对 > 0.7 的,可信任模型建议并自动重标(用 np.argmax(probs[i]))
  • 若任务允许,改用带噪声鲁棒性的损失函数,比如 nn.CrossEntropyLoss(label_smoothing=0.1),比硬修正更稳定
  • 用 sklearn.utils.class_weight.compute_class_weight 计算样本权重后,传给模型的 sample_weight 参数,比直接删样本更能保留信息量

真正难的不是找出哪几条数据标错了,而是判断「这个错误是采集失误、标注者疲劳,还是定义模糊导致的系统性歧义」——后者需要回溯标注规范文档,而不是换一个库就能解决。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5624

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1909

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34537

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4027

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4027

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3143

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程