Machine learning 机器学习数据集相关性

我有一个ML模型，它有1,2,3个特性，并且工作得很好，但是现在我突然得到一个带有特性“a”的测试用例，它没有显示正确的结果，如何处理这个用例？一个详细的例子是心脏病发作预测系统，它根据体重、胆固醇水平、身高和年龄进行训练，对他们来说是正确的，但是现在我有一个病人也患有糖尿病，这增加了心脏病发作的机会。如何基于这种不相关的新特征提高精度

添加新功能并重新训练您的模型

---

如果您的第一个模型非常完美，您可以添加一个结构来选择模型。因此，如果患者没有糖尿病，请使用完美的模型。否则，使用另一种模式。

是的，这是一种方式，但如果我们时不时地获得新功能，就像人患有艾滋病一样，人患有癌症。。每次重新建模都是不现实的，我考虑使用给定的现有特性，然后在新特性和旧特性之间找到相关性，以增加概率。例如，糖尿病患者心脏病发作的几率增加10%，所以我只是将概率从0.4增加到0.45。我正在努力寻找同样的方法。你的观点是什么？对于药物/医生来说，传统的整合新功能的方法是进行研究、撰写、发表和同行评议论文。这个过程比再培训要长得多。如果你以一种智能的方式构建你的架构，这可能是一项任务，实际上我是从不了解ML的用户的角度说的，并将其视为用户手中的一个应用程序。他只是说他患有糖尿病/艾滋病/癌症，他想知道在这种情况下心脏病发作的几率是多少。考虑1000个请求/秒，所以我在考虑其他方法。