Uma empresa deseja prever os preços de venda de casas usando regressão linear multivariável. O conjunto de dados inclui características como tamanho do lote, área útil, área não útil, número de quartos, número de banheiros, ano de construção e código postal. Qual procedimento um especialista em machine learning deve usar para eliminar características irrelevantes e reduzir a complexidade do modelo?

Para eliminar características irrelevantes e reduzir a complexidade do modelo em regressão, o procedimento mais eficaz é calcular a correlação de cada característica com a variável alvo (preço de venda). Características com baixa correlação com o preço de venda têm pouca influência na previsão e podem ser removidas sem perda significativa de informação, simplificando o modelo e potencialmente melhorando seu desempenho e interpretabilidade. Remover características com alta ou baixa variância (opções 1 e 2) não é um critério direto para a relevância preditiva, pois uma característica pode ter baixa variância mas ser altamente correlacionada com o alvo, ou vice-versa. Criar um mapa de calor das correlações mútuas entre as características (opção 3) é útil para identificar multicolinearidade, mas não diretamente para remover características irrelevantes em relação ao alvo.