Una tienda en línea utiliza regresión lineal para predecir futuras ventas de libros. Una característica numérica es 'duration' (días que el libro ha estado en la lista). El análisis exploratorio muestra que la relación entre las ventas y la duración es sesgada y no lineal. ¿Qué transformación es la más apropiada para mejorar el modelo?

La regresión lineal asume una relación lineal entre las características y la variable objetivo. Dado que la relación entre 'duration' y las ventas es sesgada y no lineal, la creación de bins basados en cuantiles (quantile binning) es la transformación más apropiada. Esto convierte una característica numérica continua en una característica categórica ordinal, lo que permite al modelo capturar relaciones no lineales y manejar el sesgo al tratar cada bin como una categoría separada. One-hot encoding no es adecuado porque 'duration' es numérica y la relación es no lineal, no categórica. La transformación de producto cartesiano se usa para crear interacciones entre características, no para manejar la no linealidad de una sola característica. La normalización de valores escala los datos, pero no aborda la no linealidad o el sesgo inherente en la relación.