Wie sollten Sie für ein vollständig verbundenes neuronales Netzwerk, das Immobilienpreise vorhersagt, Breiten- und Längengrade kodieren, um Standorteffekte zu erfassen?

Die korrekte Antwort ist, eine Feature-Kreuzung von Breiten- und Längengrad zu erstellen, diese auf Minutenebene zu bucketisieren und L1-Regularisierung zu verwenden. Die direkte Eingabe von Breiten- und Längengrad als Vektoren (Option 1) würde dem Modell nur lineare Beziehungen ermöglichen und die komplexen, nicht-linearen Standorteffekte nicht effektiv erfassen. Eine Feature-Kreuzung (Optionen 2, 3, 4) ist entscheidend, um Interaktionen zwischen diesen Merkmalen zu modellieren. Das Bucketisieren auf Minutenebene (Optionen 3, 4) ist wichtig, da es die Granularität erhöht und dem Modell ermöglicht, spezifische Nachbarschaftseffekte zu lernen, anstatt nur grobe Regionen. L1-Regularisierung (Option 3) ist hier besser geeignet als L2 (Option 4), da sie zur Merkmalsselektion neigt und Koeffizienten von unwichtigen Interaktionen auf Null setzen kann, was die Interpretierbarkeit verbessert und Überanpassung reduziert, insbesondere bei einer großen Anzahl von Buckets.