Un ingénieur de données constate que de nombreuses caractéristiques (sur 100) d'un jeu de données tabulaire client sont fortement corrélées. Quelles actions devrait-il entreprendre pour résoudre la multicolinéarité ? (Choisissez deux.)

La multicolinéarité se produit lorsque des variables prédictives dans un modèle de régression sont fortement corrélées, ce qui peut rendre les coefficients du modèle instables et difficiles à interpréter. Pour y remédier, l'ingénieur de données peut supprimer certaines des caractéristiques fortement corrélées, en choisissant par exemple une seule variable parmi un groupe de variables très similaires. Une autre approche efficace est l'Analyse en Composantes Principales (ACP), qui transforme les variables originales corrélées en un ensemble de variables non corrélées appelées composantes principales, réduisant ainsi la dimensionnalité tout en conservant la majeure partie de la variance des données. Entraîner le modèle avec un algorithme basé sur la régression linéaire n'est pas une solution à la multicolinéarité ; au contraire, la multicolinéarité pose problème pour les modèles de régression linéaire. L'application de la mise à l'échelle min-max ou de l'encodage one-hot sont des techniques de prétraitement des données utiles pour normaliser les caractéristiques ou gérer les variables catégorielles, mais elles ne résolvent pas directement la multicolinéarité entre les variables.