Ein Online-Shop verwendet lineare Regression, um zukünftige Buchverkäufe vorherzusagen. Ein numerisches Merkmal ist 'duration' (Anzahl der Tage, an denen das Buch gelistet ist). Eine explorative Analyse zeigt, dass die Beziehung zwischen Verkäufen und 'duration' schief und nicht-linear ist. Welche Transformation ist am besten geeignet, um das Modell zu verbessern?

Quantil-Binning ist die beste Wahl, da es die schiefe und nicht-lineare Beziehung zwischen 'duration' und Verkäufen am effektivsten adressiert. Durch das Aufteilen der Daten in Bins basierend auf Quantilen werden die Auswirkungen von Ausreißern reduziert und die Nicht-Linearität in diskrete Kategorien umgewandelt, was für lineare Modelle vorteilhaft sein kann. One-Hot-Encoding ist für kategoriale Daten gedacht, nicht für kontinuierliche numerische Daten wie 'duration'. Eine kartesische Produkttransformation wird verwendet, um Interaktionen zwischen Merkmalen zu erzeugen, hilft aber nicht direkt bei schiefen oder nicht-linearen Einzelmerkmalen. Normalisierung skaliert die Daten, ändert aber nicht die Form der Verteilung oder die Nicht-Linearität.