假设我想预测一辆二手车的价格。我有一组 50 个功能，其中许多分类/数字变量有时可能不可用/为空，但假设 50 个功能中有 20 个始终可用。一种方法是仅使用这 20 个来创建价格预测模型。但是，我知道（来自领域专业知识）使用其他 30 个“稀疏”变量可以大大提高预测能力，只要它们可用。是否有一类更适合此任务的通用预测模型，其中每个预测可能有不同的特征子集可用？还有其他方法可以考虑吗？
例如，我应该尝试其中的任何一个吗？
- 使用某种方法填充空值，无论是简单的方法还是基于预测不可用特征的可用特征的子模型。
- 假设大多数数据可以分为 5-10 个不同的可用特征子集。我是否应该创建 5-10 个单独的模型来适应每个可用特征的子集，然后动态选择要预测的模型？
感觉应该有比上述两种更好/更有效的方法，如果有人能指出我正确的方向，我将不胜感激。