将所有数据加在一起，并确保您拥有代表所有可能见解的特征。在您的情况下，具有年龄/成熟度的一项功能（年轻，成人......）。假设您适合决策树（或随机森林，梯度提升......），如果模型包含有意义的信息，模型将决定是否对该特征进行拆分。

如果你结合起来，你应该能够拥有更多的数据，并且模型会更好地工作。

如果 data1 中的列与 data2 中的列不同，请考虑将它们保留为 NaN，然后​​正确处理它们。

我可以想到这些可能的解决方案：

1. 最基本的方法是整合整个数据并尝试不同的算法并评估结果。
2. 如果不同样本（数据集）之间的年龄分布不成比例分布，即如果您的数据集与“成人”相比有大量“年轻”样本，反之亦然，那么我肯定会尝试调整我的模型而不考虑“年龄”作为一个特征。训练后的模型可能会偏向多数类，这就是放弃这些特征的原因。
3. 也可以探索基于集成的方法。分别为“年轻”和“成人”组训练模型。在测试过程中，我不会对 ensemble 中的每个模型给予相同的分数，而是根据年龄值来决定贡献因子。

在我看来，最好的方法是在所有数据上训练一个模型，并让它整理出将一个数据集与另一个数据集区分开来的特征。

如果您事先不知道从哪个集合中获取数据，您将无法知道选择哪个模型，因此拥有多个模型会限制您

希望此链接对您有所帮助。拥有更多数据总是更好，因此连接数据源至少会比以前稍微提高模型的性能。