machine-learning - 通过创建自己的标签进行监督学习

Question

场景 - 我的数据没有标签，但我可以创建一个函数来根据行为标记数据并部署模型，这样我就不必继续标记数据。这算不算机器学习？

目标:根据高、中、低标签对交易量峰值的帐户进行分类，以部署在大数据(数万亿行数据)上

数据:我拥有的数据包括以下属性:帐户、时间、日期、交易量。

方法:

1. 创建一个名为“spike”的新特征列，并创建一个 pandas 函数来 ID 大于 5 的尖峰。这是特征工程吗？

2. 接下来，我创建标签列并将其分类为低、中或高尖峰。

3. 接下来，我训练一个机器学习分类器，并将其部署为在大数据中使用类似模式标记 future 的帐户。

对这个过程有什么想法吗？这种方法对于机器学习是否正确？

Answer 1

第一个问题:如果您的算法根据您拥有的样本集做出决定，即在样本中添加标签，我会说它是机器学习算法。但如果你设计的代码考虑了你对数据的经验，我认为它不是机器学习方法。简而言之，机器学习会查看数据以从中获取模式和见解。我不知道你为什么要这样做，但它需要是一个机器学习算法吗？有时您可以通过非常简单的方式解决问题，而无需使用机器学习。

第二个问题:恐怕不是。选择您的数据属性(例如:帐户、时间、日期、交易量)，检查它们的相关性，尝试找出您是否具有主导属性等。此过程是机器学习之前的过程。特征工程将选择向我们的算法呈现的最佳特征，以便执行分类(根据您的情况)

第三个问题:我认为开始使用一些机器学习算法是足够公平的，例如 KNN、SVM、NN、决策树等。