Tiene un conjunto de datos de ubicaciones de proveedores registrados como códigos de país de dos letras (por ejemplo, NZ para Nueva Zelanda). Debe convertir estos códigos en variables numéricas para el entrenamiento del modelo, (1) evitando cualquier pérdida de información y (2) minimizando el aumento de la dimensionalidad. ¿Qué transformación cumple estos requisitos?

La codificación de similitud (similarity encoding) es la mejor opción porque transforma los códigos de país en vectores numéricos que capturan las relaciones semánticas o geográficas entre ellos, evitando la pérdida de información y minimizando la dimensionalidad. Por ejemplo, los códigos de países cercanos geográficamente o culturalmente similares tendrán vectores más próximos. Añadir el nombre completo del país no es una transformación numérica. Mapear a un continente reduce la dimensionalidad pero pierde información granular sobre los países individuales. La codificación one-hot crea una nueva columna binaria para cada país, resultando en un aumento significativo de la dimensionalidad, lo cual se busca evitar.