Machine learning 如何使用监督学习提前识别大数据集中的关键特征，其中大部分数据属于一个类别

我有一个从机器（流数据）中提取的非常大的数据集，其中大多数数据属于一个类别。如果我使用当前数据训练分类器，精度将非常低。如何识别给定数据中的关键特征？另外，我如何衡量时间序列中某些先前特征的概率

识别重要特征的典型方法包括PCA和ICA。然而，比这些方法更有价值的是了解数据所代表的底层系统

如果没有关于数据结构的更多信息，很难回答。最佳分类方法取决于数据结构和分析目的。有一些分类器可以很好地处理倾斜数据，我建议您看看一些集成方法，例如boosting和random或rotation森林。其中一些分类方法，如轮作林，作为培训过程的一部分，提供有关可变重要性的信息。如果您只想确定哪些功能最重要，可以尝试使用CART/random forests。但是，如果您需要详细的帮助，我强烈建议您提供有关数据结构和希望实现的目标的更多信息

“关键特性”一词对您意味着什么？很可能任何答案都取决于您使用的分类器、数据结构和系统目标，没有指定任何一个。培训数据结构如下：4个不同值的窗口和目标输出Ex:在时间t1:V1=100，V2=200，V3=150，V4=400，在时间t2:V1=102，V2=220，V3=170，V4=430，target=+1等在某些情况下，V1、V2、V3或V4中的一个或多个值是对在线数据流（增量）数据结构的目标输出有/有主要影响的主要特性，如下所示：