一家在线商店使用线性回归来预测未来的图书销售。其中一个数值特征是“持续时间”（图书上架的天数）。探索性分析表明，销售额与持续时间之间的关系是偏斜且非线性的。哪种转换最适合改进模型？

当特征与目标变量的关系呈偏斜和非线性时，分位数分箱（quantile binning）是一种有效的转换方法。它将连续特征分成具有相同数量数据点的箱（bin），这有助于处理非线性关系并减少异常值的影响。对于线性回归模型，将非线性关系转换为更接近线性的分段关系可以显著提高模型性能。 独热编码（one-hot encoding）适用于分类特征，而不是连续的持续时间特征。笛卡尔积转换（Cartesian product transformation）用于创建特征交互，但不能直接解决单个特征的非线性和偏斜问题。归一化（normalization）主要用于缩放特征值，使其在特定范围内，以防止某些特征支配模型，但它不会改变特征与目标之间的非线性关系。