我从事物理学工作。我们有很多实验运行，每次运行都会产生一个结果，y以及一些应该预测结果的参数，x. 随着时间的推移，我们发现越来越多的参数需要记录。所以我们的数据如下所示：

Year 1 data: (2000 runs)
    parameters: x1,x2,x3                target: y
Year 2 data: (2000 runs)
    parameters: x1,x2,x3,x4,x5          target: y
Year 3 data: (2000 runs)
    parameters: x1,x2,x3,x4,x5,x6,x7    target: y

如何建立一个回归模型，将我们记录的额外信息纳入其中，而不丢弃它“学到”的关于旧参数的信息？

我是不是该：

• 只是将x4,x5等设置为0或-1当我不使用它们时？
• 完全忽略x4,x5,x6,x7，只使用x1,x2,x3?
• 添加另一个参数，即参数个数？
• 每年训练单独的模型，然后以某种方式组合它们？
• “权重”参数，以便在我将权重设置为 0 时忽略它们？
• 使用 、 和 参数制作三个不同的模型，x1,x2,x3然后x4,x5以x6,x7某种方式进行插值？
• 制作一个自定义的“imputer”来猜测丢失的参数（使用可用参数）

我尝试过使用均值和中位数进行插补，但效果都不是很好，因为参数不是独立的，而是相当相关的。