Un ingénieur ML dispose de réponses à une enquête qui sont uniquement « oui » ou « non ». Il doit transformer ces réponses en une seule caractéristique qui améliore l'entraînement du modèle sans augmenter la dimensionnalité de l'ensemble de données. Quelles méthodes satisfont ces contraintes ? (Choisissez-en deux.)

L'encodage binaire est correct car il attribue 0 ou 1 aux réponses "non" ou "oui", respectivement, transformant la caractéristique catégorielle en une seule caractéristique numérique sans augmenter la dimensionnalité. L'encodage par étiquettes est également correct car il attribue des entiers (par exemple, 0 pour "non", 1 pour "oui") aux catégories, ce qui est équivalent à l'encodage binaire pour deux catégories et maintient une seule dimension. L'encodage one-hot est incorrect car il créerait deux nouvelles colonnes (une pour "oui", une pour "non"), augmentant la dimensionnalité. L'imputation statistique est incorrecte car elle gère les valeurs manquantes, ce qui n'est pas le problème ici. La tokenisation est incorrecte car elle est utilisée pour le traitement du langage naturel et n'est pas pertinente pour les réponses "oui/non".