Uno scienziato dei dati analizza dati sull'occupazione con circa 10 milioni di righe e 10 feature. Le distribuzioni di reddito ed età sono entrambe asimmetriche a destra. Quali trasformazioni delle feature aiuterebbero a correggere l'asimmetria? (Selezionare due.)

Le trasformazioni logaritmiche sono efficaci per ridurre l'asimmetria positiva (asimmetria a destra) nei dati, comprimendo i valori più grandi e allargando quelli più piccoli, rendendo la distribuzione più simmetrica e vicina a una gaussiana, il che è vantaggioso per molti algoritmi di machine learning. Il binning dei valori numerici può aiutare a gestire l'asimmetria raggruppando i dati in intervalli discreti. Questo può mitigare l'influenza di valori estremi e rendere la distribuzione più uniforme, specialmente quando l'asimmetria è dovuta a code lunghe. La cross-validation è una tecnica di valutazione del modello, non una trasformazione delle feature. Le trasformazioni polinomiali di alto grado possono aumentare la complessità e il rischio di overfitting, non sono la soluzione primaria per l'asimmetria. L'one-hot encoding è per variabili categoriche, non numeriche asimmetriche.