クレジットカード会社は、数千の未加工属性から構築された信用スコアリングモデルのトレーニングを高速化したいと考えています。これらの属性の多くは高度に相関しています。トレーニングは遅く、モデルは過学習しています。多くの情報を破棄することなく、次元削減とトレーニング時間の短縮を実現する特徴量エンジニアリング手法はどれですか？

オートエンコーダやPCAは、多数の相関性の高い特徴量を、より少ない数の新しい特徴量に変換することで次元削減を実現します。これにより、情報の大部分を保持しつつ、モデルのトレーニング時間を短縮し、過学習のリスクを低減できます。特徴量の自己相関を計算して削除する方法は、情報損失のリスクが高く、また、相関関係が複雑な場合は効果が限定的です。正規化はスケーリングの問題を解決しますが、次元削減には寄与しません。k-meansによるサンプリングはデータセットのサイズを減らしますが、特徴量の次元は削減せず、重要な情報が失われる可能性があります。