当两个特征与目标变量相等时，应选择哪一个

取决于具体的情况和需求。以下是一些可能的选择标准：

1. 数据质量：如果两个特征的数据质量不同，应选择数据质量较高的特征。数据质量包括数据准确性、完整性和一致性等方面。
2. 特征相关性：如果两个特征与目标变量的相关性不同，应选择与目标变量更相关的特征。可以通过相关性分析或机器学习算法来评估特征与目标变量之间的相关性。
3. 特征重要性：如果两个特征在预测目标变量方面的重要性不同，应选择更重要的特征。可以使用特征选择算法或模型解释性方法来评估特征的重要性。
4. 可解释性：如果需要解释模型的结果或特征对目标变量的影响，应选择更容易解释的特征。一些机器学习算法提供了特征重要性或影响度量的解释。
5. 数据采集成本：如果两个特征的数据采集成本不同，应选择数据采集成本较低的特征。数据采集成本包括数据收集、存储和处理等方面。

需要注意的是，选择特征的过程是一个复杂的任务，需要综合考虑多个因素。具体选择哪一个特征应根据具体情况进行评估和决策。