我认为你有两种不同的方法来解决这个问题。但是可变数量的特征和目标使其具有挑战性。我不知道有任何完善的方法来处理此类问题，但我发现这个问题很有趣，并想分享我的意见。

第一种方法是将其定义为分类问题。汽车的顺序很重要，从某种意义上说，如果您将 1 类中的汽车归类为 2 类，而不是将其识别为 20 辆汽车中的 15 辆，那么它就是一个问题。这是一个“序数分类”问题，据我所知，对此没有既定的损失函数。但是有人实现了他们自己的并分享了它，但我从未使用过它，所以我不知道它是如何工作的。当然，这不是必须的，您可以使用常规分类器损失函数。

现在你必须处理可变数量的汽车。如果您每次都有最大可能的汽车数量，您可以使用它来定义神经网络中的特征数量。对于汽车数量较少的情况，您可以将与不存在的汽车相关联的特征设置为一个数字（例如 -1），并对损失函数施加约束，以便具有这些特征的汽车在仅展示汽车，并在最后放下它们。这听起来可能很复杂，在这里输入肯定是这样；所以我希望我能够解释它。

第二种可能的方法是定义聚类问题。为了在每种情况下处理可变的汽车数量，您可以将汽车总数定义为附加功能。在您上面给出的示例中，它们都将具有车号特征 = 3。然后使用您可以想到的任何聚类算法，例如 KNN 和 K=max number of cars。但这也有缺点：当有 3 辆汽车时，汽车可以聚类为 1,2,3；但它们也可以很容易地聚集成 4、6、9；甚至是 1,1,1。我不知道你会如何处理这样的问题。上面定义的分类算法的问题不太可能导致此类问题，但实现起来要困难得多。

我知道这些选项远非最佳，所以我真的希望其他人能提出更好的答案。祝你好运。