Un ingegnere dei dati rileva che molte delle 100 feature in un dataset tabulare di clienti sono altamente correlate. Quali azioni dovrebbe intraprendere per affrontare la multicollinearità? (Scegliere due.)

La multicollinearità si verifica quando le feature predittive in un modello sono altamente correlate tra loro, il che può rendere difficile interpretare i coefficienti del modello e ridurre la sua stabilità. L'analisi delle componenti principali (PCA) è una tecnica di riduzione della dimensionalità che trasforma le feature correlate in un nuovo set di feature non correlate (componenti principali), mantenendo la maggior parte della varianza originale dei dati. In alternativa, si possono rimuovere manualmente alcune delle feature altamente correlate, scegliendo quelle che sono meno informative o più ridondanti. Addestrare il modello con un algoritmo basato su lineare non risolve la multicollinearità, ma ne subisce gli effetti negativi. La scalatura delle feature min-max e la codifica one-hot sono tecniche di pre-elaborazione utili, ma non affrontano direttamente il problema della multicollinearità.