Un ingénieur ML construit un modèle pour prédire les prix des maisons et des appartements en utilisant trois caractéristiques : les mètres carrés, le prix et l'âge du bâtiment. L'ensemble de données (10 000 lignes) contient des valeurs extrêmes : un très grand manoir et un appartement extrêmement petit. Pour garantir que le modèle fasse des prédictions précises pour les propriétés typiques, quelle approche de prétraitement doit être utilisée ?

Supprimer les valeurs aberrantes est crucial pour éviter que le modèle ne soit indûment influencé par des exemples extrêmes, ce qui améliorerait la précision pour les propriétés typiques. La transformation logarithmique des mètres carrés est efficace pour réduire l'asymétrie des données et stabiliser la variance, rendant la distribution plus normale et plus adaptée aux modèles linéaires. Conserver les valeurs aberrantes (options 2 et 4) biaiserait le modèle. L'encodage one-hot (options 3 et 4) est inapproprié pour une variable numérique continue comme les mètres carrés ; il est utilisé pour les variables catégorielles. La normalisation seule (option 2) ne résoudrait pas le problème de l'asymétrie causé par les valeurs extrêmes aussi efficacement qu'une transformation logarithmique.