这个问题是关于与预测性维护相关的用例。构建的最终模型（基于下面提到的步骤）用于预测特定类型设备的特定组件的故障。在机器学习上下文中，它是正在构建深度学习模型的回归用例。
模型构建过程包括两个阶段：
- 最初基于来自多个设备的数据（本质上是时间的），已经构建了一个模型。该模型已使用来自同一组设备的数据（预期）进行了交叉验证。
- 现在基于 #1 中确定的模型类型和超参数，正在为单个设备构建模型（使用来自各个设备的数据。此阶段数据的时间频率与 #1 中使用的数据的频率不同）。这些模型（用于单个设备）将在生产中部署（即每个设备一个模型）。#1 构建的模型不会用于生产。
这两个阶段的过程是一种有效的模型构建方法吗？
据我了解，可以一次性使用来自所有设备（具有匹配频率）的数据构建单个模型，而不是两个阶段的过程和大量的单个模型。设备有可能基于不同的特性而彼此不同。但是这些特征可以在构建单个模型时用作特征。
基于领域知识，我或多或少相信一个模型可以为多个设备提供服务。但是，我的问题更多是关于两阶段方法的有效性：
- 在第一阶段确定模型类型和超参数。
- 根据第一阶段确定的模型类型和超参数，使用来自单个设备的数据构建单个模型。