Para uma rede neural totalmente conectada que prevê preços de imóveis, como você deve codificar latitude e longitude para capturar os efeitos da localização?

A opção correta é criar um feature cross de latitude e longitude, dividi-lo em buckets no nível de minuto e usar regularização L1. O feature cross permite que o modelo capture interações não lineares entre latitude e longitude, que são cruciais para entender os efeitos da localização (por exemplo, a combinação específica de latitude e longitude de um bairro). A divisão em buckets no nível de minuto cria categorias mais granulares, permitindo que o modelo aprenda padrões mais específicos da localização. A regularização L1 é preferível à L2 neste cenário porque incentiva a esparsidade, ou seja, pode zerar os pesos de features menos relevantes, o que é útil quando se tem um grande número de buckets resultantes do feature cross, ajudando a evitar o overfitting e a simplificar o modelo. As outras opções são menos eficazes: Fornecer latitude e longitude como vetores de entrada trata as coordenadas como independentes e lineares, não capturando as complexas interações espaciais. Criar apenas um feature cross numérico não aproveita a granularidade dos buckets e pode não capturar as relações não lineares de forma tão eficaz. Usar regularização L2, embora útil para evitar overfitting, não promove a esparsidade como a L1, o que é menos ideal para um grande número de features categóricas resultantes dos buckets.