Una encuesta de opción múltiple permite a los encuestados seleccionar varias opciones por pregunta. Debe representar completamente las selecciones de cada encuestado en un conjunto de datos para entrenar un modelo de regresión logística. ¿Qué enfoque proporciona una representación completa adecuada para la regresión logística?

La creación de características one-hot (indicador binario) es el enfoque correcto porque la regresión logística requiere entradas numéricas. Al convertir cada opción de respuesta en una columna binaria separada (1 si se selecciona, 0 si no), se representa completamente la selección múltiple de cada encuestado de una manera que el modelo puede procesar. El binning (agrupamiento) no es adecuado porque agruparía las selecciones, perdiendo la información granular de cada opción elegida. Usar Amazon Mechanical Turk para asignar etiquetas categóricas es ineficiente y podría introducir sesgos, además de que la regresión logística necesita datos numéricos, no etiquetas categóricas directas. Amazon Textract está diseñado para extraer texto de documentos y no es apropiado para transformar opciones de respuesta en características numéricas de esta manera.