Una empresa quiere predecir los precios de venta de casas utilizando regresión lineal multivariable. El conjunto de datos incluye características como el tamaño del lote, el área habitable, el área no habitable, el número de dormitorios, el número de baños, el año de construcción y el código postal. ¿Qué procedimiento debe usar un especialista en machine learning para eliminar características irrelevantes y reducir la complejidad del modelo?

La selección de características es crucial para reducir la complejidad del modelo y mejorar su rendimiento. Calcular la correlación de cada característica con la variable objetivo (precio de venta) permite identificar cuáles tienen una relación débil con lo que se intenta predecir. Las características con baja correlación con el objetivo son irrelevantes y pueden eliminarse sin afectar significativamente la capacidad predictiva del modelo, incluso mejorándola al reducir el ruido. Las otras opciones son incorrectas porque: Eliminar características con alta o baja varianza basándose solo en histogramas y desviaciones estándar no considera la relación con la variable objetivo, por lo que una característica con baja varianza podría ser muy predictiva y viceversa. Eliminar características con baja correlación mutua entre sí no garantiza que sean irrelevantes para la variable objetivo; podrían ser predictivas individualmente.