Pour un réseau de neurones entièrement connecté prédisant les prix des logements, comment devriez-vous encoder la latitude et la longitude pour capturer les effets de localisation ?

La création d'un croisement de caractéristiques (feature cross) de la latitude et de la longitude permet de capturer les interactions spatiales complexes entre ces deux variables, ce qui est crucial pour les effets de localisation. La discrétisation au niveau de la minute crée des "cellules" géographiques plus fines, permettant au modèle d'apprendre des poids spécifiques pour des zones très localisées, ce qui est plus précis que des coordonnées brutes. La régularisation L1 est utile ici car elle encourage la parcimonie en forçant certains poids à zéro, ce qui peut aider à identifier les caractéristiques de localisation les plus pertinentes et à réduire le surapprentissage, surtout avec un grand nombre de caractéristiques discrétisées. Fournir la latitude et la longitude comme vecteurs d'entrée bruts ne permet pas de capturer efficacement les interactions non linéaires. Créer une colonne numérique à partir d'un croisement de caractéristiques sans discrétisation est moins précis. La régularisation L2 réduit les poids mais ne les annule pas, ce qui est moins efficace pour la sélection de caractéristiques dans ce contexte.