Un científico de datos analiza datos de empleo con aproximadamente 10 millones de filas y 10 características. Las distribuciones de ingresos y edad están sesgadas a la derecha. ¿Qué transformaciones de características ayudarían a corregir la asimetría? (Seleccione dos.)

Las distribuciones sesgadas a la derecha (sesgo positivo) significan que la cola de la distribución se extiende hacia valores más altos. Para corregir esto, se buscan transformaciones que compriman los valores grandes y expandan los valores pequeños. Aplicar una transformación logarítmica es una técnica común y efectiva para reducir el sesgo positivo. Funciona bien con datos que tienen una gran variabilidad y un sesgo a la derecha, como ingresos o edad, al comprimir los valores más grandes. La agrupación de valores numéricos (binning) también puede ayudar. Al dividir el rango de una característica continua en intervalos (bins), se pueden crear nuevas características categóricas que a menudo tienen una distribución más uniforme, reduciendo el impacto del sesgo extremo en los valores atípicos. La validación cruzada es una técnica de evaluación de modelos, no una transformación de características. La transformación polinómica de alto grado puede aumentar la complejidad y el sobreajuste, y no es la solución principal para el sesgo. La codificación one-hot es para variables categóricas, no para corregir el sesgo en distribuciones numéricas.