Un sondaggio a scelta multipla consente agli intervistati di selezionare più opzioni per domanda. È necessario rappresentare completamente le selezioni di ogni intervistato in un dataset per addestrare un modello di regressione logistica. Quale approccio fornisce una rappresentazione completa adatta per la regressione logistica?

La regressione logistica richiede input numerici. Le feature one-hot (indicatori binari) sono il metodo standard per rappresentare variabili categoriche con selezioni multiple, dove ogni opzione diventa una colonna binaria (0 o 1) che indica la sua selezione. Questo approccio preserva tutte le informazioni sulle scelte dell'intervistato e le rende direttamente utilizzabili dal modello. Il binning raggrupperebbe le risposte, perdendo la granularità delle selezioni individuali. L'uso di Amazon Mechanical Turk per etichette categoriche creerebbe una nuova variabile categorica, non adatta per rappresentare selezioni multiple indipendenti. Amazon Textract è per l'estrazione di testo e dati da documenti, non per la conversione di scelte di risposta in feature numeriche in questo contesto.