我想使用sklearn构建和训练回归模型，假设它是LinearRegression。
主要问题是，给定我的数据集，我（基于领域知识）知道可能存在一些代表不同组的变量（列），并且这些组应该分别建模 。
这是代表问题的示例数据集：
功能
['f1', 'f2']-连续
['Group', 'SubGroup']-分类（代表不同的组）
响应
['score']-响应
+-------+-----------+----+----+-------+
| Group | Sub_Group | F1 | F2 | Score |
+-------+-----------+----+----+-------+
| G1 | 1 | 3 | 32 | 58 |
| G1 | 1 | 0 | 34 | 78 |
| G1 | 1 | 2 | 42 | 63 |
| G2 | 1 | 1 | 29 | 82 |
| G2 | 2 | 7 | 36 | 60 |
| G2 | 2 | 9 | 39 | 91 |
+-------+-----------+----+----+-------+
在这种情况下，这些是我需要分别建模的不同组：
组1： ('G1', 1)
+-------+-----------+----+----+-------+
| Group | Sub_Group | F1 | F2 | Score |
+-------+-----------+----+----+-------+
| G1 | 1 | 3 | 32 | 58 |
| G1 | 1 | 0 | 34 | 78 |
| G1 | 1 | 2 | 42 | 63 |
+-------+-----------+----+----+-------+
组2： ('G2', 1)
+-------+-----------+----+----+-------+
| Group | Sub_Group | F1 | F2 | Score |
+-------+-----------+----+----+-------+
| G2 | 1 | 1 | 29 | 82 |
+-------+-----------+----+----+-------+
组3： ('G2', 2)
+-------+-----------+----+----+-------+
| Group | Sub_Group | F1 | F2 | Score |
+-------+-----------+----+----+-------+
| G2 | 2 | 7 | 36 | 60 |
| G2 | 2 | 9 | 39 | 91 |
+-------+-----------+----+----+-------+
问题是：
我应该选择哪个选项来对这些不同的组进行建模？
选项1： One model for all groups.
使用完整的数据集训练一个大型模型，其中包含代表不同组的列。
在使用OneHotEncoder进行训练/预测时，我将处理这些分类组列。
通常会针对给定的特征向量进行预测。
选项2： Different model for each group.
每个小组建立和训练不同的模型。
在这种情况下，我们将有3种不同的模型 在删除组列的同时在原始数据集的右侧进行训练。
预测将按组分别进行。
在模型评分（R2/RMSE/MSE）上选择以上任何选项是否会有区别？
我认为应该有，因为将这些组表示为要素可能不正确，因为模型会将这些要素视为其他要素，并且它们最终可能没有真正应有的重要性。