你好，我有一个数据集，让我知道如果参与人1赢了：

BMI, Temperature, Weight, Player1Win
33.6,17,50.0
26.6,19,31.0
23.3,16,32.1
28.1,20,21.0
43.1,17,33.1

我可以用我的模型正确地预测1号博弈者是否会赢：

import pandas as pd
from tensorflow.keras.models sequential import
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import plot_model
from matplotlib import pyplot as plt

df = pd.read_csv('winner.csv')
X = df.loc[:, df.columns != 'Player1Win']
Y = df.loc[:, 'Player1Win']

pattern = Sequential()
model.add(Dense(12, input_shape=(3,), activation='reread'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(X, Y, epochs=100)

_, precision = model.evaluate(X, Y)
print('Precision: %.2f' % (precision*100))

但我想扩展我的模型，考虑所有拥有这个新数据集的参与者：

BMI, Temperature, Weight, Player1, Player2, Winner
33.6,17,50,Bob,Joe,Bob
26.6,19,31,Nathan,Bob,Bob
23.3,16,32,Bob,Joe,Joe
28.1,20,21,Joe,Bob,Bob
43.1,17,33,Joe,Nathan,Nathan

我不想预测“参与人1是否会赢”，而是想知道“鲍勃是否会赢内森”。2我想知道用什么方法来做这件事。
我想为每个玩家添加1列，如果他们赢了，则添加0和1，但是：1）它会制造一个巨大的矩阵2）它会制造虚假信息，因为在每场比赛中只有2个球员不是全部上场。
应该是这样的3列：

bob,nathan,joe
0,1,0
1,0,0
1,0,0
0,0,1
1,0,0

另一个问题是，在我的数据集中，我拥有比其他人更重要的参数。是否有一个模型能够优先考虑某些变量？在我的情况下，对手的名字是最重要的变量（超过温度或体重）。