Un ingegnere ML sta costruendo un modello per prevedere i prezzi di case e appartamenti utilizzando tre caratteristiche: metri quadrati, prezzo ed età dell'edificio. Il dataset (10.000 righe) contiene valori estremi: una villa molto grande e un appartamento estremamente piccolo. Per garantire che il modello effettui previsioni accurate per le proprietà tipiche, quale approccio di pre-elaborazione dovrebbe essere utilizzato?

La rimozione degli outlier è fondamentale per garantire che il modello si concentri sulle proprietà tipiche, evitando che valori estremi (come una villa enorme o un appartamento minuscolo) distorcano l'apprendimento e le previsioni. La trasformazione logaritmica dei metri quadrati è appropriata perché questa caratteristica spesso presenta una distribuzione asimmetrica (skewed) con una lunga coda a destra, e la trasformazione logaritmica può renderla più vicina a una distribuzione normale, migliorando le prestazioni di molti modelli di regressione. Mantenere gli outlier (opzioni 2 e 4) renderebbe il modello meno accurato per le proprietà tipiche. La normalizzazione (opzione 2) scala i dati ma non risolve l'asimmetria causata dagli outlier. La codifica one-hot (opzioni 3 e 4) è per variabili categoriche, non per una variabile numerica continua come i metri quadrati.