Un'azienda vuole prevedere i prezzi di vendita delle case utilizzando la regressione lineare multivariabile. Il dataset include caratteristiche come la dimensione del lotto, l'area abitabile, l'area non abitabile, il numero di camere da letto, il numero di bagni, l'anno di costruzione e il codice postale. Quale procedura dovrebbe utilizzare uno specialista di machine learning per eliminare le caratteristiche irrilevanti e ridurre la complessità del modello?

Per la selezione delle caratteristiche in un modello di regressione, è fondamentale identificare le variabili che hanno una forte relazione con la variabile target (prezzo di vendita). Calcolare la correlazione di ogni caratteristica con il prezzo di vendita target e rimuovere quelle con bassa correlazione è il metodo più diretto ed efficace per eliminare le caratteristiche irrilevanti e ridurre la complessità del modello, migliorando potenzialmente le prestazioni e l'interpretabilità. Le opzioni che suggeriscono di rimuovere caratteristiche basandosi solo sulla varianza (alta o bassa) sono meno appropriate perché la varianza di per sé non indica la rilevanza di una caratteristica rispetto al target. Una caratteristica con bassa varianza potrebbe comunque essere molto predittiva, e una con alta varianza potrebbe essere irrilevante. Rimuovere caratteristiche con bassa correlazione reciproca (tra le caratteristiche stesse) potrebbe essere utile per ridurre la multicollinearità, ma non garantisce che le caratteristiche rimanenti siano rilevanti per il target.