Un ingeniero de ML está construyendo un modelo para predecir los precios de casas y apartamentos utilizando tres características: metros cuadrados, precio y antigüedad del edificio. El conjunto de datos (10.000 filas) contiene valores extremos: una mansión muy grande y un apartamento extremadamente pequeño. Para asegurar que el modelo realice predicciones precisas para propiedades típicas, ¿qué enfoque de preprocesamiento se debe utilizar?

Eliminar los valores atípicos (outliers) es crucial porque una mansión muy grande o un apartamento extremadamente pequeño pueden sesgar el modelo, impidiendo que aprenda patrones precisos para propiedades típicas. La transformación logarítmica es efectiva para características con distribuciones sesgadas, como los metros cuadrados, donde la diferencia entre 100 y 200 m² es más significativa en términos porcentuales que entre 1000 y 1100 m². Esto ayuda a reducir la influencia de valores grandes y a normalizar la distribución, mejorando el rendimiento del modelo. Mantener los valores atípicos y aplicar normalización no resuelve el problema del sesgo. La codificación one-hot es para variables categóricas, no para características numéricas como los metros cuadrados, por lo que las opciones que la incluyen son incorrectas.