Un ingeniero de datos encuentra que muchas de las 100 características en un conjunto de datos tabulares de clientes están altamente correlacionadas. ¿Qué acciones debería tomar para abordar la multicolinealidad? (Elija dos).

La multicolinealidad ocurre cuando las variables predictoras en un modelo están altamente correlacionadas, lo que puede dificultar la interpretación de los coeficientes del modelo y reducir su estabilidad. Aplicar el análisis de componentes principales (PCA) es una solución eficaz porque transforma las características originales correlacionadas en un nuevo conjunto de características no correlacionadas (componentes principales), reduciendo así la dimensionalidad y eliminando la multicolinealidad. Eliminar algunas de las características altamente correlacionadas también es una solución directa. Si dos o más características están fuertemente correlacionadas, se puede optar por mantener solo una de ellas, eliminando la redundancia y la multicolinealidad. Entrenar el modelo con un algoritmo lineal no resuelve la multicolinealidad; de hecho, los modelos lineales son particularmente sensibles a ella. El escalado de características min-max y la codificación one-hot son técnicas de preprocesamiento útiles, pero no abordan directamente el problema de la multicolinealidad.