Per una rete neurale completamente connessa che predice i prezzi delle case, come dovresti codificare latitudine e longitudine per catturare gli effetti della posizione?

La risposta corretta è "Creare un feature cross di latitudine e longitudine, raggrupparlo a livello di minuto e utilizzare la regolarizzazione L1 durante l'ottimizzazione". Le coordinate di latitudine e longitudine, se fornite direttamente come input numerici, non catturano efficacemente le relazioni non lineari e le interazioni spaziali. Un feature cross (incrocio di feature) tra latitudine e longitudine crea una nuova feature che rappresenta una combinazione specifica delle due, permettendo al modello di apprendere effetti congiunti. Il binning (raggruppamento) a livello di minuto riduce la granularità e gestisce la dimensionalità, raggruppando le posizioni vicine. La regolarizzazione L1 è preferibile in questo contesto perché promuove la sparsità del modello, selezionando le feature più importanti e potenzialmente eliminando quelle meno rilevanti, il che è utile quando si creano molte nuove feature tramite feature crossing e binning. La regolarizzazione L2, sebbene utile per prevenire l'overfitting, tende a ridurre i pesi di tutte le feature piuttosto che eliminarne alcune.