あるオンラインストアでは、線形回帰を使用して将来の書籍販売を予測しています。数値特徴の1つは「duration」（書籍が掲載されてからの日数）です。探索的分析の結果、販売数とdurationの関係は歪んでおり、非線形であることが示されました。モデルを改善するために最も適切な変換はどれですか？

線形回帰モデルは線形関係を前提とするため、特徴量とターゲットの間に非線形な関係がある場合、モデルの性能が低下します。durationと販売数の関係が歪んでおり非線形であるため、durationを分位数ベースのビンに変換することで、この非線形性を捉えることができます。ビン化により、連続的な特徴量をカテゴリカルな特徴量に変換し、各ビンが異なる販売数への影響を持つようにモデルが学習できるようになります。 ワンホットエンコーディングはカテゴリカル特徴量に適用されるもので、連続的なdurationには直接適用できません。デカルト積変換は特徴量間の相互作用を捉えるものですが、単一の非線形特徴量には直接適用されません。正規化は特徴量のスケールを調整するもので、非線形性を解決するものではありません。