Ein Dateningenieur stellt fest, dass viele der 100 Features in einem tabellarischen Kundendatensatz stark korreliert sind. Welche Maßnahmen sollte er ergreifen, um Multikollinearität zu begegnen? (Wählen Sie zwei.)

Multikollinearität tritt auf, wenn unabhängige Variablen in einem Modell stark miteinander korreliert sind, was die Interpretation von Regressionskoeffizienten erschwert und die Modellstabilität beeinträchtigt. Die Hauptkomponentenanalyse (PCA) ist eine effektive Methode zur Reduzierung der Dimensionalität, indem sie die ursprünglichen, korrelierten Features in einen kleineren Satz unkorrelierter Hauptkomponenten transformiert, die den Großteil der Varianz der Daten erfassen. Dies eliminiert Multikollinearität. Das Entfernen einiger der stark korrelierten Features ist eine direkte und einfache Methode, um Multikollinearität zu reduzieren. Man wählt dabei eine der korrelierten Variablen aus und entfernt sie, um die Unabhängigkeit der verbleibenden Features zu erhöhen. Das Trainieren mit einem linearen Algorithmus löst das Problem der Multikollinearität nicht, sondern kann dessen negative Auswirkungen verstärken. Min-Max-Skalierung normalisiert die Daten, beseitigt aber keine Korrelationen zwischen Features. One-Hot-Encoding ist für kategoriale Variablen gedacht und adressiert Multikollinearität bei numerischen Features nicht.