Une entreprise souhaite prédire les prix de vente des maisons à l'aide d'une régression linéaire multivariable. L'ensemble de données comprend des caractéristiques telles que la taille du terrain, la surface habitable, la surface non habitable, le nombre de chambres, le nombre de salles de bain, l'année de construction et le code postal. Quelle procédure un spécialiste en machine learning devrait-il utiliser pour éliminer les caractéristiques non pertinentes et réduire la complexité du modèle ?

Pour une régression linéaire, l'objectif est de prédire le prix de vente. Il est donc essentiel de conserver les caractéristiques qui ont une forte relation avec cette variable cible. Calculer la corrélation de chaque caractéristique avec le prix de vente permet d'identifier et de supprimer celles qui ont peu d'impact sur la prédiction, réduisant ainsi la complexité du modèle sans sacrifier la performance. Les histogrammes et les écarts types (options 1 et 2) sont utiles pour comprendre la distribution des données, mais une variance élevée ou faible ne signifie pas nécessairement qu'une caractéristique est pertinente ou non pour la variable cible. Une carte thermique des corrélations inter-caractéristiques (option 3) aide à identifier la multicolinéarité entre les prédicteurs, mais ne mesure pas directement la pertinence d'une caractéristique par rapport à la variable cible elle-même.