Un negozio online utilizza la regressione lineare per prevedere le vendite future di libri. Una caratteristica numerica è 'duration' (giorni in cui il libro è stato in catalogo). L'analisi esplorativa mostra che la relazione tra vendite e duration è asimmetrica e non lineare. Quale trasformazione è più appropriata per migliorare il modello?

La trasformazione di duration in bin basati su quantili è la più appropriata perché la regressione lineare assume una relazione lineare tra le variabili. Poiché la relazione tra vendite e duration è asimmetrica e non lineare, il binning basato su quantili discretizza la variabile continua in categorie ordinate, catturando meglio le relazioni non lineari e gestendo l'asimmetria. Questo permette al modello lineare di apprendere pesi diversi per ciascun intervallo di duration, migliorando l'accuratezza predittiva. La codifica one-hot di duration non è adatta per una variabile numerica continua con molteplici valori. La trasformazione del prodotto cartesiano è utile per catturare interazioni tra caratteristiche, non per gestire la non linearità di una singola caratteristica. La normalizzazione dei valori di duration scala i dati ma non risolve il problema fondamentale della non linearità nella relazione.