门槛从来不在算法上，而在「把设备吐出来的字节，变成一张能训的表」。
如果你手上有设备读数，想训一个「识别动作 / 判断状态」的模型， 传统的路线要过三道关：
这三关里，只有第三关是「机器学习」。前两关是纯工程，而且是最耗时间、 跟你的业务最没关系的那部分。所以真正值得省掉的不是算法，是前两关。
用图形界面走一遍是这样的（每一步后面是这一步真正会卡人的地方）：
第 ③ 步是真正的瓶颈，不是训练。训练点一下就跑，打标要人一条条看。 所以能自动分段的工具（按信号能量变化把连续数据切成「动作段」再逐段打标） 省下的时间，比换个更快的训练引擎多得多。
另外两个新手最常踩的坑：
训练档位本质是在回答一个问题：「我愿意花多少时间去找模型」。 时间给得多，它会试更多候选、还可能做集成（把多个模型组合投票），通常更准，但也更慢、更大。
下面这组数字来自一份公开教学数据集（UCI HAR 的动作识别子集）的实测记录， 同一份数据、只改档位：
| 档位 | 耗时 | 最佳模型 | 验证得分 | 模型体积 |
|---|---|---|---|---|
| 速度优先 | 约 51 秒 | LightGBMXT | 约 93.1% | 约 3.4 MB |
| 均衡 | 约 94 秒 | WeightedEnsemble_L2 | 约 95.4% | 约 75.0 MB |
请重点看后两列，而不是只看准确率。准确率只涨了 2.3 个百分点， 代价是时间翻近一倍、体积大了约 22 倍。
「更高准确率」不是免费的，要问值不值。如果这个模型最后要跑在一个 只有几百 KB 可用空间的单片机上，那速度优先那一档才是合理起点—— 甚至还需要进一步压缩。
训练跑完拿到一个 93% 的分数——这个模型现在能用了么？ 这是最容易搞错的一步，见 《93% 的准确率说明不了什么》。