Eine Multiple-Choice-Umfrage ermöglicht es den Befragten, mehrere Optionen pro Frage auszuwählen. Sie müssen die Auswahl jedes Befragten vollständig in einem Datensatz darstellen, um ein logistisches Regressionsmodell zu trainieren. Welcher Ansatz bietet eine umfassende Darstellung, die für die logistische Regression geeignet ist?

Die Erstellung von One-Hot-Features (binäre Indikatoren) für jede mögliche Option ist der korrekte Ansatz, da die logistische Regression numerische Eingaben benötigt. Da Befragte mehrere Optionen auswählen können, stellt ein One-Hot-Encoding sicher, dass jede ausgewählte Option als separate binäre Variable (0 oder 1) dargestellt wird, was die Mehrfachauswahl korrekt abbildet und für das Modell interpretierbar macht. Das Anwenden von Binning auf die Menge der Antworten würde die Granularität der individuellen Auswahl verlieren und die spezifischen Optionen, die ausgewählt wurden, nicht widerspiegeln. Die Verwendung von Amazon Mechanical Turk zur Zuweisung kategorialer Labels wäre ein manueller und ineffizienter Prozess, der zudem nicht direkt numerische Features für die logistische Regression liefert. Amazon Textract ist für die Extraktion von Text aus Dokumenten gedacht und nicht für die Umwandlung von Antwortmöglichkeiten in geeignete numerische Features für dieses Szenario.