Um engenheiro de ML tem respostas de pesquisa que são apenas "sim" ou "não". Ele precisa transformar essas respostas em um único recurso que melhore o treinamento do modelo sem aumentar a dimensionalidade do conjunto de dados. Quais métodos satisfazem essas restrições? (Escolha dois.)

A codificação binária é adequada porque mapeia "sim" para 1 e "não" para 0 (ou vice-versa), resultando em um único recurso numérico sem aumentar a dimensionalidade. A codificação de rótulo também funciona, atribuindo 0 para "não" e 1 para "sim", mantendo um único recurso. A codificação one-hot criaria duas novas colunas (uma para "sim" e outra para "não"), aumentando a dimensionalidade, o que viola a restrição. A imputação estatística é para preencher valores ausentes, não para transformar dados categóricos. A tokenização é para processamento de texto, não para dados categóricos binários.