ある ML エンジニアが、平方メートル、価格、築年数の 3 つの特徴量を使用して、住宅とアパートの価格を予測するモデルを構築しています。データセット（10,000 行）には、非常に大きな邸宅と極めて小さなアパートという極端な値が含まれています。モデルが一般的な物件に対して正確な予測を行うことを確実にするために、どの前処理アプローチを使用すべきですか？

極端な値（外れ値）はモデルの学習を歪め、一般的なデータに対する予測精度を低下させるため、これらを除外することは重要です。Square Meters（平方メートル）のような連続的な特徴量で、非常に大きな邸宅と極めて小さなアパートといった広範囲にわたる値がある場合、ログ変換はデータの分布を正規化し、外れ値の影響を軽減するのに効果的です。これにより、モデルがより安定して学習し、一般的な物件に対して正確な予測を行うことができます。 外れ値を保持すると、モデルがこれらの極端な値に過度に適合し、一般的なデータに対する汎化性能が損なわれます。正規化はデータのスケールを揃えるのに役立ちますが、極端な外れ値が存在する場合、その影響を完全に排除することはできません。ワンホットエンコーディングはカテゴリカルデータに適用される手法であり、Square Metersのような連続的な数値特徴量には不適切です。