是的，从不同的导师那里在线学习可以导致不同的策略。但这表明流量取决于数据的类型。并非每次您都必须创建特征或处理异常值。

对于图像，您可以通过应用不同的方法和过滤器来减少噪音，对于文本，您可以删除停用词、标点符号等。所以这取决于数据及其数量。为我进行的一般方法如下

1. 了解定义并获得领域知识
2. 收集资料
3. 对其进行预处理（包括去除噪声、应用转换、修剪数据等）
4. 必要时进行特征选择
5. 做数据可视化
6. 用样本数据做不同的模型实验。
7. 修复 2 3 模型的案例
8. 使用真实数据进行训练
9. 使用不同的矩阵进行评估（取决于数据和定义）
10. 使用 API/Direct 使模型可访问客户端

这就是我在行业中看到我周围的每个人都在工作的方式，我也遵循同样的方式。对我有帮助，但这是一般性的，在这里你有很多要根据定义和任务进行更改。

以下步骤与其他建议类似：-

1. 理解问题陈述，将其与数据联系起来。
2. 从文件中读取数据（CSV 或给出任何格式）并找出其中的列数和行数。
3. 识别具有空值的特征，因为我们需要先处理它们。一旦确定了数据中的空值，找出如何修复空值并修复空值的措施。
4. 对测试数据也执行相同的操作（第 3 步）（如果您有 2 个单独的训练和测试数据集）。
5. 现在，无论您有数据类型不是整数或浮点数的列，都必须将该数据转换为数字类型。
6. 之后，您需要选择将用于模型训练的特征。
7. 在这里，您还可以根据您的方法和要求创建新功能。
8. 之后，我们就可以开始训练模型了。所以我们为它选择了几个模型（比如2-3）
9. 训练完成后，我们预测测试数据的值并查看我们的模型执行的准确度（分类问题的准确度）。
10. 现在，这种准确性将决定特征和模型选择需要进行哪些更改。
11. 对于功能，您可以检查功能的重要性并决定删除/包含新功能。
12. 此外，为了提高性能/准确性，我们可以对参数进行超参数调整并重复步骤 8-10