Uma pesquisa de múltipla escolha permite que os entrevistados selecionem várias opções por pergunta. Você deve representar completamente as seleções de cada entrevistado em um conjunto de dados para treinar um modelo de regressão logística. Qual abordagem fornece uma representação abrangente adequada para regressão logística?

A criação de recursos one-hot (indicador binário) é a abordagem correta porque a regressão logística, como a maioria dos modelos de aprendizado de máquina, requer entradas numéricas. Para perguntas de múltipla escolha onde várias opções podem ser selecionadas, a codificação one-hot transforma cada opção em uma coluna binária separada (0 ou 1), indicando se a opção foi selecionada. Isso representa de forma abrangente as seleções de cada entrevistado sem implicar uma ordem ou magnitude que não existe. A aplicação de binning não é apropriada, pois agrupar as respostas perderia a granularidade das seleções individuais e não é projetado para lidar com seleções múltiplas de forma independente. Usar o Amazon Mechanical Turk para atribuir rótulos categóricos seria uma abordagem para rotulagem de dados, não para a representação de recursos em si, e não se encaixa no requisito de representar seleções múltiplas. O Amazon Textract é para extração de texto de documentos, não para converter opções de resposta em recursos numéricos para este tipo de problema.