Vous construisez un modèle de prédiction des précipitations avec des milliers de caractéristiques ; vous souhaitez réduire le nombre de caractéristiques pour accélérer l'entraînement avec une perte de précision minimale. Quelle action est appropriée ?

Combiner les caractéristiques fortement interdépendantes (redondantes) en une seule caractéristique représentative est une technique de réduction de dimensionnalité efficace. Cela permet de réduire le nombre total de caractéristiques sans perdre d'informations significatives, ce qui accélère l'entraînement du modèle et peut même améliorer sa performance en réduisant le surapprentissage. Supprimer les caractéristiques fortement corrélées avec les étiquettes de sortie est incorrect car ces caractéristiques sont souvent les plus importantes pour la prédiction. La moyenne des caractéristiques par groupes fixes de trois est une méthode arbitraire qui pourrait détruire des informations utiles. Supprimer les caractéristiques nulles dans plus de 50 % des enregistrements est une approche valide pour la gestion des données manquantes, mais elle ne cible pas spécifiquement la redondance des caractéristiques pour la réduction de dimensionnalité.