Você tem um conjunto de dados de localizações de fornecedores registrados como códigos de país de duas letras (por exemplo, NZ para Nova Zelândia). Você deve converter esses códigos em variáveis numéricas para o treinamento do modelo, (1) evitando qualquer perda de informação e (2) minimizando o aumento da dimensionalidade. Qual transformação atende a esses requisitos?

A codificação de similaridade (similarity encoding) é a melhor opção porque converte os códigos de país em representações numéricas baseadas em suas características intrínsecas ou relações, preservando a informação e geralmente resultando em uma dimensionalidade menor do que o one-hot encoding. Isso é crucial para evitar a perda de informação e gerenciar a complexidade do modelo. Adicionar o nome completo do país não é uma transformação numérica e não atende ao requisito de conversão para variáveis numéricas. Mapear para o nome do continente reduz a dimensionalidade, mas causa perda significativa de informação, pois muitos países são agrupados em um único valor. O one-hot encoding preserva a informação, mas cria uma nova coluna para cada país único, levando a um aumento substancial da dimensionalidade, o que é explicitamente algo a ser minimizado na questão.