Um engenheiro de dados encontra muitas das 100 features em um conjunto de dados tabulares de clientes que são altamente correlacionadas. Quais ações ele deve tomar para resolver a multicolinearidade? (Escolha duas.)

A multicolinearidade ocorre quando variáveis preditoras em um modelo estão altamente correlacionadas, o que pode levar a estimativas de coeficientes instáveis e difíceis de interpretar. Aplicar a Análise de Componentes Principais (PCA) é uma solução eficaz, pois transforma as features originais correlacionadas em um novo conjunto de features não correlacionadas (componentes principais), reduzindo a dimensionalidade e eliminando a multicolinearidade. Remover algumas das features altamente correlacionadas é outra abordagem direta. Ao identificar e descartar uma das features de um par ou grupo altamente correlacionado, a multicolinearidade é mitigada. Treinar o modelo com um algoritmo baseado em linear não resolve a multicolinearidade; na verdade, modelos lineares são particularmente sensíveis a ela. Escalonamento de features (min-max) e one-hot encoding são técnicas de pré-processamento que não abordam diretamente a multicolinearidade, embora sejam importantes para outras questões de dados.