问有没有可能在没有任何数据的情况下决定模型？

EN

在现实世界的公司中，这并不是一个非常奇怪的情况，它们现在想要构建数据科学应用程序和其他与数据相关的东西，但是没有足够的历史数据(或者根本没有)。

在这种情况下，定义模型可能对您有所帮助，因此：

• 你/你的上级是否只考虑机器学习模式？在这种情况下，您需要使用这些数据进行培训。
• 你是否也在考虑一种不那么复杂的方法，比如先建立基于规则的模型？在这种情况下，您可以根据业务知识生成(即编程)这样的规则，然后直接进入机器学习管道，为此您需要数据。

另一个选项，我曾经用它来预先检查一些想法(在获得数据之前)是根据已知的数据分布来模拟一些数据，您知道在不久的将来可能会有的；例如，您可能想要模拟客户的年龄，客户的帐户金额.存储在某个开放数据平台上的其他银行。

在这种情况下，您可以使用一个核密度估计来建模您的数据，然后生成一些合成样本。下面您可以找到我在类似情况下所做的事情，在这种情况下，橙色条是使用与我公司最终拥有的变量相似的变量检索的开放数据(在这种情况下，我需要每个婚姻状况的年龄，并在类似国家的银行中找到它)，并用于生成内核密度数据生成器(蓝线)：

你必须先考虑数据的类型，算法的类别，以及机器学习的哪个分支.例如：

• 无监督股票时间序列
• 图像的监督分类
• 等。

在此之后，您可以为您的用例选择一些合适的算法(例如回归、随机森林或其他合适的方法)，然后生成一些模拟数据，这些数据一旦得到，就大致近似于数据。

然后，您可以在模拟数据集上对模型进行培训和测试，为收集真实数据做准备。

在这个阶段，听起来您需要收集更多关于用例的信息，以便您知道开发的方向。