基于算计机视觉的无人监测的ML业务案例

　　我们的一个项目涉及使用无监测的ML算法来比较虚拟机的性能。由于项目区域有点难以理解，我们决定不使用任何标签，因为它们可能是主观的，而是建立了一个独立的系统；因此，我们做了以下工作：

　　1、在云上创建虚拟机

　　2、通过运行不同的测试来对其进行基准测试，以衡量VM的性能。

　　3、收集了大约2000个特征作为原始数据。

　　4、分析收集到的原始数据并提取较有价值的基准。

　　5、将基准测试压缩成多个系数(并行化、一个核、稳定性、数据库、RAM)

　　6、计算关税系数，作为性能和价格之间的平衡。

　　7、根据其特点和价格选择较佳实例类型

　　上面描述的过程是降维技术的一个很好的例子，因为我们没有包含系统的所有特征，而是包含了可以被认为是结果“有代表性”的折叠信息。

　　人工标记评价与自动化

　　该项目涉及人类标签的评估，这是目前数据科学中的一项艰巨任务。我们须找到较好的方法来评估人类标签的质量。有了关于个人和法律实体的数据，我们应该将其分为三类，进行分析，找出具体的标签，并预测标签的准确性。

　　我们根据特定的特征设置人体动作标签，构建分类器，并对这些标签的质量进行评价。如果没有用户作为变量来划分类几乎是不可能的，因为它们根据特征和标签彼此太近了。我们将用户作为一个变量，然后人类行为标签依赖于这个人。通过在算法中添加一个人，我们可以获得较好的结果。重要的是数据应该是独立的，这意味着它不应该与对标签感兴趣的人有关系。因此，我们得出结论，没有正确的方法来进行分类任务，较好使用原始数据。

　　其实任何商业案例都没有完好的途径。而无人监测的机器学习只是获得预期结果的工具。如果您确信它满足您的业务需求，它将运行良好。

　　要点：

　　1、没有自动监测的机器学习仍然需要高质量的数据处理，尽管没有标记。

　　2、适当的数据准备方法通过提高数据的准确性来驱动“正确”的业务洞察力。

　　3、不受监测的机器学习算法应该根据特定的业务案例来选择，而不是取决于特定方法的流行程度。

　　4、数据科学的目标机器学习咨询是解决商业问题，而不是数据科学问题。