ある企業が、多変数線形回帰を使用して住宅販売価格を予測したいと考えています。データセットには、敷地面積、居住面積、非居住面積、寝室数、浴室数、築年数、郵便番号などの特徴量が含まれています。機械学習スペシャリストは、無関係な特徴量を除外し、モデルの複雑さを軽減するために、どの手順を使用すべきですか？

正解は、各特徴量と目標販売価格との相関を計算し、目標との相関がほとんどない特徴量を除外することです。これは、特徴量選択の一般的な手法であり、モデルの予測能力にほとんど寄与しない特徴量を除外することで、モデルの複雑さを軽減し、過学習のリスクを減らすことができます。 分散の大きい特徴量を除外する（または小さい特徴量を除外する）という選択肢は、特徴量の情報量や重要性とは直接関係ありません。特徴量の分散が大きいからといって、それがターゲット変数と無関係であるとは限りません。 特徴量間の相関のヒートマップを作成し、他の特徴量との相互相関が低い特徴量を除外するという選択肢は、多重共線性を減らすのには役立ちますが、ターゲット変数との関連性がない特徴量を除外するのには直接的ではありません。ターゲット変数との相関が低い特徴量を除外することが、最も効果的なアプローチです。