对于本可行性研究，以下将是高级步骤：

1. 对于每个特征执行 PCA，其余特征为 train_x，特征为 train_y。如果你发现一个特征可以被其他特征预测；ML 可以应用于数据集
2. 人类能解决吗？作为一个人; 你能根据其他特征找到给定特征的模式吗？
3. 使用 Weka、Dataframe + Matplotlib 或类似工具进行探索性数据分析。https://datascienceguide.github.io/exploratory-data-analysis

我自己也多次问过同样的问题。添加一些背景信息：我使用相对较小的环境性质数据（每个实验约 100 个观察值），这通常是稀疏和/或不平衡的。

我的经验答案很简单：试试吧！此外，不要忘记 ML 是一个定义松散的术语——一些“经典”统计工具很可能属于它。

首先，使用领域知识设置适当的研究问题，并思考您的数据可以告诉您什么。然后开始探索基础知识：绘制相关图，检查数据是否呈正态分布等。然后您可以应用无监督学习来寻找更复杂的关系。也许之后你可能会做一些有监督的预测。

一个重要的评论。一方面，不要因 PCA 性能不佳而气馁——您的数据关系很可能不是线性的。另一方面，不要期望为每一个问题都建立一个神经网络——通常它们是不需要的。只需从低级别复杂性到更高级别的复杂性，直到继续有意义为止。

希望能帮助到你！