首先，这取决于您的因变量（Y）是什么。如果它是数字的，那么大多数多元回归模型就足够了。如果它 (Y) 是分类的，那么您需要逻辑回归或类似的分类回归模型。

至于如何处理自变量，数值变量几乎可以很好地适应任何回归模型。分类的将需要“分解”。我使用 R。在 R 中，您通过运行在数据框中指定分类变量“k”

Data.Object[DollarSign]k <- 因子（Data.Object[DollarSign]k）

在其他语言/软件中，您会以不同的方式进行操作。但无论您使用哪种软件，请务必确保分类数据被视为此类数据。不，没有神奇的算法或软件可以让你挥动魔杖并为你考虑所有这些因素。这是一个常见问题，如果您认为 40 不好，请考虑 100 的问题。

至于抛出像您这样的数据集时运行的“最佳”回归？...嗯，这取决于您/您的老板正在寻找什么。

对您来说棘手的部分是将标签解释为有意义的东西。假设您有一个变量“您的政党是什么？” 如果 1 是“共和党人”，2 是“民主党人”，3 是“独立”，那么每个人都不会有一个变量。您将有一个用于“民主”和“独立”的变量，两个值均为零表示“非民主且不独立”。在这种情况下，如果个人是民主主义者，“民主主义者”的回归系数将显示 Y 的变化。如果这个人是独立的，“独立”的系数将显示 Y 的变化。

最重要的是，对于所有其他系数，基本情况是共和党人。因此，您对其他变量所做的任何解释都应针对该基本情况进行调整。有一些算法可以让这种调整变得更容易，但我不知道任何在我脑海中的东西。

几乎所有的回归算法都处理数值和分类变量。对于分类变量，可以使用不同的“编码”。

简单的例子是二进制编码。例如，对于性别，您可以使用$0$代表男性和$1$代表女性。如果变量有更多$2$值，可以使用一种热编码。

详情可查

http://www.ats.ucla.edu/stat/r/library/contrast_coding.htm