P3-3.1 为什么不能把原始数据立刻读成学习问题¶
Section ID:
P3-3.1Version:v2026.09.19
原始数据中有表和时间记录，并不表示当前监督学习问题所需的输入与结果已经定义。记录下来的原始数据也是数据集。这里要确认的不是数据集是否存在，而是如何把它组织成服务于特定问题的候选数据集。
这里把问题表示结构理解为连接样本、输入和目标的设计。可以先想到分类或预测，但仅凭问题名称，不能认定现有数据已经准备就绪。
来看一种情况：每一次自动执行动作，都会留下控制参数时间序列和传感器时间序列。看到这种表时，通常最先跳出来的是下面这些想法。
- 既然有传感器值，就能改成异常检测问题。
- 动作结果有些差异，那就可以改成分类问题。
- 如果时序很长，也许能直接送进时序预测问题。
这些想法本身并不一定错。问题在于，在 什么算一条案例、到底想预测什么、监督学习标签(supervised learning label)是否真的存在都还没定下来之前，学习问题框架就先出现了。在这种状态下，我们还没有定义数据问题，只是比数据本身更早地先想出了学习问题框架。
但如果把原始数据当作已经可以直接用于当前监督学习问题的表，就会漏掉重要问题。
| 最容易先想到的问题 | 实际上更应该先问的问题 |
|---|---|
| 该把它读成什么学习问题？ | 什么该算一条样本(sample)？ |
| 标签该放什么？ | 现在真的已经有稳定标签了吗？ |
| 怎样提高准确率？ | 该重新整理成什么表，比较才会成立？ |
这个差别不只是顺序问题。第一次看原始数据时，更需要做的不是选择学习问题，而是 重新追问这张表到底是什么。你现在看到的是按时点记录的测量值、一次动作的摘要，还是某个近期区段的聚合，这会让后面所有关于 feature、baseline、target 的说明都发生变化。
例如，只看下面这一小段原始数据，学习问题框架就可能过早跳出来。
| event_id | second | pressure | flow |
|---|---|---|---|
| A | 0 | 1.0 | 0.0 |
| A | 1 | 2.0 | 1.4 |
| A | 2 | 2.4 | 1.6 |
只看这张表，很容易想到分类问题、预测问题或时间序列学习问题。表中一行是一个时点的记录。尚未决定的是：直接把这一行作为样本，还是按动作分组，以及要预测什么结果。因此，立刻选择学习问题形式，就会让形式走在问题本身前面。
本例讨论的是以一次动作为一个样本，对动作结果进行分类。这需要把输入记录与事件级结果标签连接起来，并确认标签的判定依据。并不是说无标签数据集或监督学习以外的分析无法存在。
| 独立检查项 | 需要核对的依据 | 当前 CSV 的状态 |
|---|---|---|
| 标签列存在 | 是否真的有 review_label 列 | 不存在 |
| 事件级连接 | 每个事件是否对应一个结果，且没有缺失或冲突值 | 没有该列，尚未确认 |
| 判定标准 | 谁按什么标准及版本确定结果 | 没有依据，尚未确认 |
把同一标签重复填入一个事件的所有行，可能通过连接检查。但它来自实际检查还是任意规则、各事件是否采用一致标准，仍需单独确认。
从源记录到学习问题所需的决定¶
如果按 原始记录 -> 先补空着的问题 -> 再整理样本和标签候选 这条顺序重读，就会更清楚：为什么不能太早把原始数据提升成学习问题。
flowchart TD
A[读取原始记录] --> B[确定样本单位与输入范围]
B --> C[确认结果记录是否存在]
C --> D[核对事件级连接与判定依据]
D --> E[缺乏依据的项目保留为未确认]
E --> F[判断当前问题还需要什么资料]
分别确认标签列、连接与判定依据¶
p3_3_1_source_operation_log.csv 是本书编制的虚构动作日志。每行是一次动作中某一秒的传感器记录，A~I 共九次动作，每次四条记录。event_id 标识动作，second 表示观测时刻。文件有 flow，但没有 review_label。
请判断这些记录能否用于动作结果分类。针对每种情况，将标签列存在、事件级连接、判定标准分别标为 已确认 / 条件不满足 / 未确认。③、④是假设增加的资料，不在原始 CSV 中。
| 情况 | 已提供的依据 |
|---|---|
① 选择原文件的 review_label 作为结果 | 没有该列 |
② 选择原文件的 flow 作为动作结果 | A 在 0、1、2 秒的值分别为 0.0、1.4、1.6，是时点测量值 |
| ③ 收到独立结果表 | 每个事件对应一个 pass 或 fail，但没有判定文档 |
| ④ 在③上增加判定文档与检查历史 | 本练习假定已确认负责人、标准版本及应用历史，且所有事件采用相同标准 |
①不满足标签列存在条件。连接与判定标准因缺乏资料而未确认。②已确认列存在，但测量值并非当前问题所需的事件级结果标签。也没有把传感器值转换成结果类别的依据，所以判定标准仍未确认。
③已确认列存在及事件级连接，但判定标准未确认。仅凭 pass 一词无法知道通过了什么。④确认了本练习的三个检查项，但输入范围与评估方法尚未确定，因此不能据此认定所有训练准备都已完成。
现在把问题改为“用 0~2 秒的记录预测 3 秒的流量”。A 的输入是 0、1、2 秒记录，目标是 3 秒的 flow=1.2。不能把该流量或之后的记录混入输入。同一 flow 列在明确问题与时点后，也可以提供目标值。
最后写一条判断备忘录：“当前结果分类缺少事件级标签及判定依据。可以比较、探索传感器记录，标签依据需另行确认。”同时记录原文件版本及新增结果表、判定文档的来源，才能日后重新核对判断。
能够比较或汇总传感器记录，与拥有学习预期结果的依据，是不同的判断。应写下当前问题所需的样本、输入与目标的对应关系，并把缺乏依据的项目保留为未确认。
检查清单¶
- 能否区分原始日志本身是数据集与当前监督学习问题是否准备就绪？
- 能否分别判定①~④的标签列存在、事件级连接与判定标准？
- 能否解释为什么每个事件都有一个结果，仍不代表其含义已经明确？
- 预测 A 在 3 秒的流量时，能否分开输入记录与目标值？
- 是否用一句话写下当前可以探索什么、还需确认什么标签依据？
来源与参考资料¶
- Google for Developers,
Machine Learning Glossary：label、labeled example、unlabeled example。用于确认监督学习的输入与结果角色，以及无标签案例的区别。 原文 / 确认日期: 2026-09-19 - Google for Developers,
Machine Learning Glossary：label leakage。用于确认把透露待预测结果的信息混入输入的问题。 原文 / 确认日期: 2026-09-19 - W3C,
PROV-Overview(2013)。用于支持追踪数据生成涉及的对象、活动、人员及处理步骤与版本。 原文 / 确认日期: 2026-09-19