Un ingeniero de ML está entrenando un modelo de regresión logística para predecir la rotación de suscripciones. El conjunto de datos incluye dos características de cadena categóricas: location (3 categorías distintas) y job_seniority_level (más de 10 categorías distintas). ¿Cómo se deben preprocesar estas características para el modelo?

La codificación one-hot es adecuada para 'location' porque tiene pocas categorías (3), creando nuevas columnas binarias sin implicar un orden. Esto evita que el modelo asuma relaciones numéricas inexistentes. La codificación ordinal es apropiada para 'jobsenioritylevel' porque, aunque tiene más categorías, estas probablemente tienen un orden inherente (ej. 'junior' < 'senior' < 'manager'). Asignar un valor numérico a cada nivel refleja esta jerarquía, lo que puede ser beneficioso para el modelo. Tokenizar 'location' es más común en procesamiento de lenguaje natural y no es lo ideal aquí. Agrupar 'location' podría perder información. El escalado estándar no es aplicable a características categóricas, ya que opera sobre valores numéricos continuos.