Está creando un modelo de predicción de precipitaciones con miles de características; desea reducir el número de características para acelerar el entrenamiento con una pérdida mínima de precisión. ¿Qué acción es apropiada?

La combinación de características altamente codependientes (redundantes) en una única característica representativa es una técnica de reducción de dimensionalidad eficaz. Al hacerlo, se reduce el número total de características sin perder información significativa, lo que acelera el entrenamiento del modelo y puede mejorar su rendimiento al mitigar la multicolinealidad. Eliminar características altamente correlacionadas con las etiquetas de salida es incorrecto porque estas características suelen ser las más informativas para la predicción. Promediar características en grupos fijos de tres es una estrategia arbitraria que probablemente resultará en una pérdida de información valiosa y no garantiza una reducción efectiva o una mejora del rendimiento. Eliminar características nulas en más del 50% de los registros es una técnica de manejo de datos faltantes, no una estrategia de reducción de dimensionalidad para características existentes y completas, y podría descartar información útil si el patrón de nulidad no es aleatorio.