Une enquête à choix multiples permet aux répondants de sélectionner plusieurs options par question. Vous devez représenter complètement les sélections de chaque répondant dans un ensemble de données pour entraîner un modèle de régression logistique. Quelle approche fournit une représentation complète adaptée à la régression logistique ?

La création de caractéristiques one-hot (indicateur binaire) est la méthode la plus appropriée car la régression logistique nécessite des entrées numériques. Chaque option sélectionnable pour une question devient une colonne binaire distincte (0 ou 1), représentant la présence ou l'absence de cette sélection par le répondant. Cela permet de capturer toutes les combinaisons de réponses sans perdre d'informations. Le binning n'est pas adapté car il regrouperait les réponses, perdant la granularité des sélections multiples. Amazon Mechanical Turk est un service de crowdsourcing pour l'étiquetage, pas une méthode de représentation des données pour la régression logistique. Amazon Textract est un service d'OCR pour extraire du texte et des données de documents, non pertinent pour la conversion de choix de réponses en caractéristiques numériques dans ce contexte.