En utilisant SageMaker Data Wrangler, un ingénieur trouve une caractéristique catégorielle textuelle avec des milliers de valeurs légèrement différentes causées par des fautes d'orthographe. Quelle méthode d'encodage devrait être utilisée pour que la caractéristique traitée puisse être utilisée pour la classification ?

L'encodage de similarité est la méthode la plus appropriée car il est conçu pour gérer les variations textuelles et les fautes d'orthographe en regroupant les valeurs similaires. Cela réduit le nombre de catégories uniques et améliore la qualité des données pour les modèles de classification. L'encodage ordinal attribue un ordre aux catégories, ce qui n'est pas pertinent ici et pourrait introduire un biais. L'encodage one-hot créerait un nombre excessif de colonnes pour des milliers de valeurs légèrement différentes, ce qui rendrait le modèle inefficace et difficile à entraîner. L'encodage cible utilise des statistiques de la variable cible, ce qui n'est pas l'objectif principal ici et ne résoudrait pas le problème des fautes d'orthographe.