关于型号选择的协助
Assistance regarding model choice
我刚开始研究机器学习。我有一个用例和数据，但我不确定一些事情，主要是我的模型将如何 运行，以及从什么模型开始。用例和问题的详细信息如下。任何建议表示赞赏。
我的主要问题是：
当结果基于随时间累积的分数时，是否可以将模型设计为 运行 在连续的基础上，以便它始终给出最佳猜测，是它 运行 在学期的第一天或第 3 个月？
我应该从什么型号入手？我在考虑分类器，但排名可能也很有趣。
用例详细信息
学徒学习学期化课程，4 个学期，每 6 个月。在一个学期的过程中，学徒执行各种操作和流程，并对他们的表现进行评分。每个学期结束后，学徒要么有足够的分数进入第二学期，要么不及格。
我们正在研究建立一个模型，以帮助识别有失败危险的学徒，并为他们提供足够的时间来获得帮助。
每个程序都分配了一个简单、中级或高级的复杂性代码，并按复杂性加权。
关于功能，我们有以下内容：-
- 初步面试分数
- 入学考试成绩
- 每个学徒执行的简单程序总数
- 每个学徒执行的中间程序总数
- 每个学徒执行的高级程序总数
- 每个复杂程度的平均分数
- 人口统计信息（国籍、年龄、性别）
我不确定该模型将如何工作以及我们何时 运行 它。即 - 如果我们在学期的第一天 运行 它，我假设每个人都会失败，因为每个人的程序分数都是 0
目前的计划是 运行 每个学期 2-3 个月的模型，因此有足够的分数数据和足够的时间来帮助任何有失败危险的学徒。
这绝对像是一个分类模型问题：
y = f(x[0],x[1], ..., x[N-1])
其中 y (boolean output) = {pass, fail} 和 x[i] 是不同的特征。
有大量的 ML 分类模型，如朴素贝叶斯、神经网络、决策树等，可根据数据类型使用。如果您正在寻找建议特定 ML 模型的答案，那么我需要更多相同的数据。不过一般来说，这个flow-chart can be helpful in selection of the same. You can also read about Model Selection from Andrew-Ng's CS229's 5th lecture.
现在回到基本方法论，其中一些特征，如初始面试分数、入学考试分数等，您已经提前知道了。然而，他们中的一些人喜欢在整个学期中的程序表现。
因此，可以说模型总是会在每个学期结束时做出更好的预测。
不过，我可以提出一些建议，让它变得更好：
- 不是将初始程序分数作为 0，而是将它们作为对象学徒过去在其他程序中的表现的mean/median。
- 您甚至可以构建一个子模型来分析程序分数和面试分数之间的关系，因为它们并不完全独立。 （我会在后面的回答中解释这句话）
- 但是，如果该学期是学徒科目的第一个学期，那么您将不会为该学徒提供此类数据。在这种情况下，您可能需要考虑与主题学徒具有相似概况的其他学徒的平均表现。如果数据集不是很大，K Nearest Neighbors approach can be quite useful here. However, for large data-sets, KNN suffers from the curse of dimensionality.
- 此外，绘制
y 和不同变量 x[i] 之间的图形，以查看 y 相对于每个变量的独立变化。
- 很可能（虽然这只是一个假设），与后来实现的变量相比，y 将更多地依赖于初始变量。原因是后面的变量并不完全独立于前面的变量。
- 我的观点是，如果可以创建一个模型来预测一个学期的输出，那么可以创建一个类似的模型来预测第一个程序测试的输出。
- 最后，由于该模型可能在很大程度上基于人口因素和其他因素，因此它可能不是一个非常成功的模型。出于同样的原因，我们无法准确预测选举结果、足球比赛结果等，因为它们严重依赖于实时动态数据。
- 对于基于不同程序性能的动态预测，Time Series Analysis 可能有点帮助。但无论如何，最终的结果将在很大程度上取决于学徒在动机和表现上的连续性，这将在每个学期结束时变得更加明显。
我刚开始研究机器学习。我有一个用例和数据，但我不确定一些事情，主要是我的模型将如何 运行，以及从什么模型开始。用例和问题的详细信息如下。任何建议表示赞赏。
我的主要问题是：
当结果基于随时间累积的分数时，是否可以将模型设计为 运行 在连续的基础上，以便它始终给出最佳猜测，是它 运行 在学期的第一天或第 3 个月？
我应该从什么型号入手？我在考虑分类器，但排名可能也很有趣。
用例详细信息
学徒学习学期化课程，4 个学期，每 6 个月。在一个学期的过程中，学徒执行各种操作和流程，并对他们的表现进行评分。每个学期结束后，学徒要么有足够的分数进入第二学期，要么不及格。
我们正在研究建立一个模型，以帮助识别有失败危险的学徒，并为他们提供足够的时间来获得帮助。
每个程序都分配了一个简单、中级或高级的复杂性代码，并按复杂性加权。
关于功能，我们有以下内容：-
- 初步面试分数
- 入学考试成绩
- 每个学徒执行的简单程序总数
- 每个学徒执行的中间程序总数
- 每个学徒执行的高级程序总数
- 每个复杂程度的平均分数
- 人口统计信息（国籍、年龄、性别）
我不确定该模型将如何工作以及我们何时 运行 它。即 - 如果我们在学期的第一天 运行 它，我假设每个人都会失败，因为每个人的程序分数都是 0
目前的计划是 运行 每个学期 2-3 个月的模型，因此有足够的分数数据和足够的时间来帮助任何有失败危险的学徒。
这绝对像是一个分类模型问题：
y = f(x[0],x[1], ..., x[N-1])
其中 y (boolean output) = {pass, fail} 和 x[i] 是不同的特征。
有大量的 ML 分类模型，如朴素贝叶斯、神经网络、决策树等，可根据数据类型使用。如果您正在寻找建议特定 ML 模型的答案，那么我需要更多相同的数据。不过一般来说，这个flow-chart can be helpful in selection of the same. You can also read about Model Selection from Andrew-Ng's CS229's 5th lecture.
现在回到基本方法论，其中一些特征，如初始面试分数、入学考试分数等，您已经提前知道了。然而，他们中的一些人喜欢在整个学期中的程序表现。
因此，可以说模型总是会在每个学期结束时做出更好的预测。
不过，我可以提出一些建议，让它变得更好：
- 不是将初始程序分数作为 0，而是将它们作为对象学徒过去在其他程序中的表现的mean/median。
- 您甚至可以构建一个子模型来分析程序分数和面试分数之间的关系，因为它们并不完全独立。 （我会在后面的回答中解释这句话）
- 但是，如果该学期是学徒科目的第一个学期，那么您将不会为该学徒提供此类数据。在这种情况下，您可能需要考虑与主题学徒具有相似概况的其他学徒的平均表现。如果数据集不是很大，K Nearest Neighbors approach can be quite useful here. However, for large data-sets, KNN suffers from the curse of dimensionality.
- 此外，绘制
y和不同变量x[i]之间的图形，以查看 y 相对于每个变量的独立变化。 - 很可能（虽然这只是一个假设），与后来实现的变量相比，y 将更多地依赖于初始变量。原因是后面的变量并不完全独立于前面的变量。
- 我的观点是，如果可以创建一个模型来预测一个学期的输出，那么可以创建一个类似的模型来预测第一个程序测试的输出。
- 最后，由于该模型可能在很大程度上基于人口因素和其他因素，因此它可能不是一个非常成功的模型。出于同样的原因，我们无法准确预测选举结果、足球比赛结果等，因为它们严重依赖于实时动态数据。
- 对于基于不同程序性能的动态预测，Time Series Analysis 可能有点帮助。但无论如何，最终的结果将在很大程度上取决于学徒在动机和表现上的连续性，这将在每个学期结束时变得更加明显。