我有一个像下面这样没有标签的数据集
但是在专家意见的帮助下，我们根据以下 3 条规则生成标签（必须满足所有 3 条规则才能将其标记为 1）
所以现在数据集如下所示
如您所见，我的最终数据集具有标签。
现在我可以运行 ML 模型进行分类。我对吗？
但我读到，在模型构建过程中，必须排除用于创建标签的特征，因为它们可能会导致类的完美分离，而模型可能会失败。失败是什么意思？我们的目标不是通过分类算法进行分类吗？
我可以知道为什么我们必须排除这些特征（例如：用于派生标签的 RG、FG 和 BP 特征）？
基本上我的模型将建立在下面的数据集上。但我们不会失去预测能力吗？为什么我们必须通过排除那些特征（用于派生标签）来构建模型？
您使用数据创建了标签。如果您能够用数据标记它们，那么为什么需要机器学习模型？它只是成为一个基于规则的分类器。您想要做的是找到适合您的数据点的函数。
例如，如果您运行决策树分类器，那么它将根据您的标签规则找到完美的分割。因此，您正在为模型提供一些关于标记技术的信息。这称为数据泄漏。该模型看到一些非常明显的东西，并且1通常具有准确性。
你在做什么是对的。您可以使用它构建 ML 模型。在您的情况下，您的输入和输出是相关的。根据员工的经验考虑员工的薪水。这些都是相关的，有时用于根据经验得出工资。
您可能已经读到的是，如果一个特征用于派生另一个特征并且不使用这两个特征，因为两者都会产生相同的结果。您可以指出该文字以进行进一步说明。
此外，变量 T1、T2 和 T3 的意义是什么？如果这些与输出标签无关，那么实际上您将不得不消除它们。
但是我读到在模型构建过程中，必须排除用于创建标签的特征，因为它们可能会导致类的完美分离，而模型可能会失败？
不，仅仅因为专家使用它们并不意味着该功能只需要有帮助或没有帮助。如果这是事实，那么您可以编写几个 if 查询来进行分类。保留所有这些，依靠专家标记，但让整个数据集告诉您其他情况。