Um engenheiro de machine learning que está preparando dados para um modelo de classificação percebe que algumas características numéricas contínuas têm valores muito maiores do que as outras. Um especialista no domínio confirma que as características são informativas e que o conjunto de dados é representativo. A precisão do modelo treinado é menor do que o esperado. Qual etapa de pré-processamento melhorará mais a precisão da inferência?

Normalizar as características com valores desproporcionalmente grandes é a melhor etapa de pré-processamento. A normalização, como a padronização (subtrair a média e dividir pelo desvio padrão) ou o escalonamento Min-Max, garante que todas as características contribuam igualmente para o modelo, evitando que características com escalas maiores dominem o processo de treinamento e melhore a convergência de algoritmos baseados em gradiente. Bootstrapping é uma técnica de reamostragem, não de pré-processamento para escalas de características. Remover características informativas reduziria a capacidade preditiva do modelo. Criar características sintéticas sem uma base sólida no domínio pode introduzir ruído ou vieses, e não aborda diretamente o problema da escala das características existentes.