你的直觉很好：一般来说，你需要你的数据包含所有可能有助于找到答案的迹象（特征）。

您对创建这个“其他表”的想法也是正确的：您需要它的原因是因为对于这个问题，您需要每个实例对应一个客户。您的原始数据不是按客户组织的，而是按会议组织的。因此，使用以下客户的功能来组织您的数据是有意义的：

days_since_last_visit   number_meeting_scheduled   number_meetings_attended   ...
15                      4                          2
189                     3                          1
24                      2                          2
...

一般来说，不建议您自己分配分数，因为您可能不知道最佳值是多少。例如，当客户安排 10 次会议并参加 3 次或安排 4 次会议并参加 2 次时，他们会更好吗？通常最好将您拥有的所有原始值提供给 ML 算法，并让它计算出使用它的最佳方式。

需要定义的重要一点是：究竟什么是好客户？如果您认为您的评分确实准确地定义了一个好的客户，您可以计算分数并对客户进行排名，那么您就完成了：这是一个启发式，因为您直接根据您对问题的了解来计算答案。

现在假设您不太确定并想要使用 ML：

• 如果您可以有一个带有标签的样本，表明客户是否“好”，那么您就有一个监督分类问题：目标将是训练一个能够根据客户预测类别（类别）的模型特征。
• 如果您有一个样本，其数值表明客户“有多好”，那么您就有监督回归问题。同样，目标是训练一个模型，该模型可以根据特征预测任何客户的价值。

对于上述两种情况，我建议您从简单的方法开始，例如决策树或 SVM（两者都可以进行分类或回归）。前者的优点是您可以手动观察树并了解分类器的工作原理。

• 如果您没有任何标记数据，那么您唯一的选择是无监督学习，这通常意味着某种形式的聚类：在这种情况下，没有训练阶段，算法仅提供特征，并尝试将实例组合在一起它们彼此靠近。例如，标准方法是 K-means。请注意，在这种情况下，您不确定是否会获得您期望的组。