Ein Unternehmen möchte Hausverkaufspreise mithilfe multivariabler linearer Regression vorhersagen. Der Datensatz enthält Merkmale wie Grundstücksgröße, Wohnfläche, Nicht-Wohnfläche, Anzahl der Schlafzimmer, Anzahl der Badezimmer, Baujahr und Postleitzahl. Welches Verfahren sollte ein Spezialist für maschinelles Lernen anwenden, um irrelevante Merkmale zu eliminieren und die Modellkomplexität zu reduzieren?

Um irrelevante Merkmale zu eliminieren und die Modellkomplexität zu reduzieren, sollte ein Machine-Learning-Spezialist die Korrelation jedes Merkmals mit der Zielvariablen (Verkaufspreis) berechnen. Merkmale, die eine geringe Korrelation mit dem Ziel aufweisen, tragen wahrscheinlich wenig zur Vorhersage bei und können entfernt werden, um das Modell zu vereinfachen und Overfitting zu reduzieren. Das Plotten von Histogrammen und das Entfernen von Merkmalen basierend auf hoher oder geringer Varianz ist keine direkte Methode zur Bewertung der Relevanz für die Zielvariable. Eine Heatmap der Korrelationen zwischen den Merkmalen hilft, Multikollinearität zu identifizieren, aber nicht direkt die Relevanz für das Ziel.