对于预测房价的全连接神经网络，您应该如何编码经度和纬度以捕获位置效应？

为了捕获经度和纬度之间的复杂非线性关系以及它们对房价的影响，特征交叉是关键。将经度和纬度直接作为输入向量提供给神经网络虽然可行，但可能无法有效捕捉它们之间的相互作用。通过特征交叉创建数值列比直接输入更好，但没有分桶和正则化那么精细。将经纬度按分钟级别分桶（例如，将经度四舍五入到最近的分钟，纬度也如此）可以创建更离散、更具解释性的特征，有助于模型学习局部区域的影响。L1 正则化（Lasso 回归）通过使不重要的特征权重变为零来执行特征选择，这在处理大量交叉特征时特别有用，因为它能简化模型并减少过拟合。L2 正则化（Ridge 回归）会缩小所有特征的权重，但不会将它们完全归零，因此在特征选择方面不如 L1 有效。