是否有任何“已知”的方法来解决这样的问题，即确定将初始变量连接到确定结果的后来变量的公式的方法，然后进一步确定结果网络的预测能力？

这是一个关于建模方法以及不同类型模型的问题。我认为最好从更简单的模型开始，例如简单的逻辑回归。在这种情况下，您试图预测哪个赛跑者会获胜，所以这是 0/1 的结果。因此，您可以将所有变量放入逻辑回归模型中，并查看它在准确性方面的表现。如果你有很多预测变量，你可以添加一个惩罚项，比如 L1 或 L2。最简单的模型用作比较更复杂模型的基准，这可能并不总是更好。

您描述的公式似乎很常见。这些通常被称为潜在变量模型，或者其他人可能更喜欢称它们为贝叶斯网络模型。这个想法是我们不能直接测量特定数量，但我们可以使用间接测量来估计它们。因此，如果您的感觉是“冲刺天赋”和“当前形式”是预测谁赢得比赛的更好预测指标，那么您可以使用潜在变量的方法。我已经有一段时间没有运行这些了，但是有一些常见的算法，比如 EM 算法或 Markov Chain Monte Carlo 采样。

因此，通过拟合两个不同的模型，您可以看到通过添加潜在变量结构与不对结构进行假设相比，您获得了多少准确度。有一些方法可以尝试和估计贝叶斯网络结构，但它们通常需要大量数据。在这种情况下，您可能没有足够的数据来连接神经网络或其他东西。

在这种情况下，我认为降维不一定有帮助。您似乎确实有时间序列数据，您可以将其直接包含在逻辑回归方程中。如果你有足够的数据，你甚至可以尝试 LSTM 或序列模型。

这些是我脑海中的一些想法，但我认为从简单模型开始，对它们进行基准测试，然后尝试更复杂的模型的想法是学习和避免迷路的最佳方式。哈哈。快乐奔跑。

存在学习贝叶斯网络结构的方法。

它们似乎不是很受欢迎，所以我认为您不会在标准工具包中找到它们。

所以我们在处理 Word Embedding 时也面临着类似的问题。在那里，我们生成单词之间的关联关系，然后使用生成的关联关系，尝试预测相关单词。

我应该说可能有一种统计方法来检查您的假设，但我宁愿尝试编写我的想法，通过在一些测试集上检查它的正确性来检查它。这样，我们可以缩小我们方法的缺点，然后朝那个特定的方向思考。

每当我们有相关数据时，我们都会使用像t-SNE这样的算法来进行降维。然后，您可以轻松地可视化它或根据您的要求以任何方式使用它。

您可以使用基于图形的机器学习： Stellar