Un dataset sanificato presenta feature le cui scale differiscono di ordini di grandezza. Per massimizzare l'accuratezza della predizione in produzione, quale sequenza di passaggi dovresti seguire prima della modellazione?

La risposta corretta è "Dividere il dataset in set di training, validazione e test, quindi riscalare il set di training e applicare gli stessi parametri di scaling ai set di validazione e test." Questo approccio previene il data leakage, assicurando che le statistiche di scaling (come media e deviazione standard) siano apprese solo dai dati di training. Applicare questi stessi parametri ai set di validazione e test garantisce che questi set siano trasformati in modo coerente, simulando il comportamento del modello in produzione su dati non visti. Le altre opzioni sono errate perché: "Applicare il campionamento casuale al dataset, quindi dividerlo in set di training, validazione e test" non affronta il problema delle scale diverse. "Riscalare prima l'intero dataset, quindi dividerlo in set di training, validazione e test" causa data leakage, poiché le statistiche di scaling includerebbero informazioni dai set di validazione e test, portando a una stima ottimistica delle prestazioni del modello. "Dividere in set di training, validazione e test, quindi riscalare ogni set indipendentemente usando parametri di scaling separati" introduce incoerenze tra i set, poiché ogni set verrebbe trasformato in base alle proprie statistiche, rendendo difficile la generalizzazione del modello.