背景：我们使用来自体育赛事的数据，更准确地说是关于体育赛事观众的数据：有多少人在暴力，这是什么类型的赛事等等。我们有很多过去几年的数据，并且我们试图找到我们需要的“正确”数量的安全人员，以尽量减少暴力，同时保持某种“预算”。

目的：我们希望根据在场的“保安”的数量，针对给定的一组解释变量（天气、体育赛事的类型、地点等）预测预期的暴力（低、中、高）游戏。

问题：历史数据当然是高度相关的：保安人数在某种程度上与暴力成正比，并且与其他变量也非常相关（因为他们可能使用了一些安全专家来评估危险）。使用非共线性假设来制作朴素贝叶斯似乎是错误的。

问题：根据事件期间在场的警卫人数预测暴力的正确方法是什么？

我的猜测：我应该将 3-4 个“箱”中的守卫数量“离散化”（例如，少数、一些、很多、很多）以消除一些相关性，并使用相应的训练集来预测输出暴力取决于输入变量。但是由于只对我的数据子集进行训练，我会丢失很多信息。