我有一个关于如何设置数据集进行建模的问题。
假设我有一个数据集，表示一个人将根据某些特征购买哪辆车：
因变量是个别汽车（汽车 1、汽车 2、……汽车 100）。
自变量是：
预算（买方）
最喜欢的颜色（买家）
……
……
颜色（1号车）
颜色（2号车）
……
颜色（汽车 100）
MPG（1号车）
MPG（2号车）
……
MPG（汽车 100）
假设这是一个多类分类问题。因此，在每种情况下只能选择一辆车。
我的问题是：拥有这样的自变量是否合适 - 特定于每个因变量？（汽车 X 的颜色，汽车 X 的 MPG，……）。将这样的一行放入模型中是否合适？模型如何知道每种颜色都在讨论相同的特征？颜色
最后，这种类型的数据/问题有名称吗？我不确定如何在 Google 上查找它。
颜色是一个分类特征。
对分类特征进行编码的最常见方法之一是 one-hot 编码。颜色可以编码为指示向量。当前汽车的颜色在适当的索引处为 1。例如，红色汽车的 [1, 0, 0, ..., 0] 和蓝色汽车的 [0, 1, 0, ..., 0]。
还有其他编码分类特征的选项，例如二进制、计数、散列或标签编码。
虽然我不是很清楚，但我会尝试详细说明我对您的问题的一些想法。
首先回答你的问题：
car color特征都在讨论颜色，除非它以某种方式硬编码。理论上，如果你输入足够的数据，并且取决于模型，模型最终会在特征之间形成某种关联. 但是，该关联完全隐含在模型的参数中。建议：
正如我上面所说，我认为你提出问题的方式有点奇怪。你不必听我的任何建议，因为你最了解你的问题，但这里是我对你的问题的一些想法。
您想预测将从 100 辆汽车中挑选出哪辆汽车。然后我将创建一个数据集，其中行代表每辆车，列是每辆车的特征。所以颜色、MPG 等。然后，我会让模型预测客户是否会购买特定的汽车。所以这变成了一个二元分类问题。然后，在大量汽车上训练模型后，我会让模型对所有 100 辆汽车进行预测。也就是说，我会让模型预测客户是否会为 100 辆汽车中的每一辆购买汽车。然后，我会从 100 辆汽车中挑选出模型最有信心被客户挑选的汽车，并将其用作最终预测。
同样，我以前没有做过这种问题，所以我不完全知道。一个类似的问题是预测客户会选择哪辆车，但这些功能描述的是客户而不是汽车。
在一个不相关的说明中：至于颜色等分类特征，我会使用 one-hot 编码。