我是机器学习的新手，我想就模型泛化问题提一个问题。在我的案例中，我将生产一些机械部件，我对控制输入参数以在最终部件上获得特定属性感兴趣。

更具体地说，我对8个参数（假设为P1, P2, …, P8）感兴趣。为了优化所需生产部件的数量以最大化探索的参数组合，我将问题分成了两组。对于第一组部件，我将改变前4个参数（P1 … P4），而其他参数保持不变。在第二种情况下，我将做相反的操作（变量P5 … P8，常量P1 … P4）。

所以我想知道是否可能创建一个单一的模型，将这八个参数作为输入来预测最终部件的属性。我问这个问题是因为由于我不是同时改变所有8个变量，我认为可能需要为每组参数做一个模型，而且两个不同模型的预测可能无法相互关联。

提前感谢。

回答：

在大多数情况下，拥有两个不同的模型会比一个大模型有更高的准确性。原因是，在局部模型中，模型只会查看4个特征，并且能够识别这些特征之间的模式来进行预测。

但是，这种特定方法几乎肯定无法扩展。现在你只有两组数据，但如果数据增加，你有20组数据。你将无法在生产中创建和维护20个机器学习模型。

对于你的情况，最适合的方法需要一些实验。从数据中随机抽取样本并训练机器学习模型。使用一个大模型和两个局部模型，并评估它们的性能。不仅要看准确性，还要看它们的F1分数、AUC-PR和ROC曲线，以找出最适合你的方法。如果你没有看到性能大幅下降，那么对于整个数据集使用一个大模型将是更好的选择。如果你知道你的数据总是会分为这两组，并且你不关心可扩展性，那么选择两个局部模型。