Para una red neuronal totalmente conectada que predice los precios de la vivienda, ¿cómo debería codificar la latitud y la longitud para capturar los efectos de la ubicación?

La opción correcta es crear un cruce de características de latitud y longitud, dividirlo en cubos a nivel de minuto y usar regularización L1. La latitud y la longitud por sí solas no capturan la relación espacial de forma óptima para una red neuronal. Un cruce de características crea una nueva característica que representa la interacción entre ellas, lo cual es crucial para la ubicación. La división en cubos (bucketization) a nivel de minuto agrupa ubicaciones cercanas, permitiendo que el modelo aprenda patrones geográficos específicos sin sobreajustarse a puntos exactos. La regularización L1 fomenta la escasez de características, lo que es útil cuando se tienen muchas características de cubos, ayudando a seleccionar las más relevantes y a evitar el sobreajuste. Las otras opciones son incorrectas porque: Proporcionar latitud y longitud directamente no captura la interacción espacial de manera efectiva. Un cruce de características sin división en cubos aún puede ser demasiado granular o no capturar las relaciones de vecindad de manera eficiente. La regularización L2 penaliza los pesos grandes pero no fomenta la escasez de características tan eficazmente como L1, lo que es menos ideal para la selección de características en un escenario con muchos cubos.