很少/很多向量会改变ML训练模型的方式吗？

Question

因此，我正在使用ML.Net的VectorType属性。我正在使用的输入数据集是经过计算的，并且超级宽。我们正在讨论10000列（仍然在弄乱它以了解有意义的内容，并进行时间序列处理）。看来我可以将所有这些列都塞进一个巨大的数组中，然后将[VectorType]拍打成一天，或者……可以吗？

我的问题是，在Microsoft ML.Net眼中，以下示例之间有什么区别（如果有）？像这样，以向量的某种组合来排列列根本没有任何区别，还是纯粹为了易于阅读？

    public class InputData
    {
        [LoadColumn(0), ColumnName("Label")]
        public bool Label { get; set;}

        [LoadColumn(1, 10000), ColumnName("Features")]
        [VectorType(10000)]
        public float[] SomeValues { get; set;}
    }

和

    public class InputData
    {
        [LoadColumn(0), ColumnName("Label")]
        public bool Label { get; set;}

        [LoadColumn(1, 5000), ColumnName("Features1")]
        [VectorType(5000)]
        public float[] SomeValues1 { get; set;}

        [LoadColumn(5000, 10000), ColumnName("Features2")]
        [VectorType(5000)]
        public float[] SomeValues2 { get; set;}
    }

如果有问题，我会将这些东西塞进AutoML API中，并使其加热8个小时。