我应该为每个子集建立不同的模型吗

Question

我有一个包含分类变量的数据集class我正在尝试解决一个回归问题

我不明白是否应该在整个数据集上构建模型并将变量 class 作为输入变量之一，还是应该为每个类构建一个完全不同的模型。

什么是通用规则，可以帮助我在两种方法之间做出决定。

这是我的数据的样例

+------------+----+-----+-----------------+
|   Class    | X1 | X2  |     Speed       |
+------------+----+-----+-----------------+
| Class1     | 12 | 123 |              10 |
| Class2     | 14 | 120 |              32 |
| Class3     | 15 |  34 |              12 |
|   .        |  . |   . |               . |
|   .        |  . |   . |               . |
|   .        |    |     |                 |
|  Class 300 | 23 |  13 |              45 |
+------------+----+-----+-----------------+

Class 是输入分类变量，我有大约 300 个类。输出变量是Speed。我正在尝试使用变量Class、X1、X2 来预测速度。

我应该为每个Class 分别建立一个模型吗？所以当我知道输入类型是Class1 时，我会选择为Class1 构建的模型。当输入类型为Class2 时，我将使用为Class2 构建的模型等等。 Class 变量中的值也可以重复，意思是 Class1 可以出现 4 次，Class2 可以出现 8 次等

我想的另一种方法是将 Class 本身作为变量包含在内，然后只构建一个模型。

我不知道哪个是正确的方法

Answer 1

没有普遍接受的正确方式。大多数人会告诉您尝试这两种方法并使用最适合您的数据的方法。不过有几点需要注意：

• 每个类是否有足够的数据点来构建准确的模型？如果不是，则将所有类（或一些相似的类）结合起来可能是更好的方法。

• 如果您确实需要合并类，如果任何其他参数不在类似的范围内，您可能需要对数据进行规范化。 （参考Feature scaling。）

如果不了解数据的性质，很难说更多。