住宅価格を予測する全結合ニューラルネットワークの場合、位置効果を捉えるために緯度と経度をどのようにエンコードすべきですか？

住宅価格は地理的な位置に強く依存するため、緯度と経度の組み合わせ（特徴量交差）が重要です。分単位でバケット化することで、細かい地域差を捉えつつ、データスパースネスを軽減し、モデルの過学習を防ぎます。L1正則化（Lasso回帰）は、不要な特徴量の重みをゼロに近づけることで、モデルの解釈性を高め、特徴量選択を自動的に行います。これにより、特定の地域に強く関連する特徴を抽出し、モデルの汎化性能を向上させることができます。 他の選択肢が不適切な理由は以下の通りです。 緯度と経度をそのまま入力すると、線形な関係しか学習できず、複雑な地域効果を捉えきれません。 特徴量交差から数値列を作成するだけでは、地域間の非線形な関係や、細かな地域差を捉えるためのバケット化が不足しています。 L2正則化（Ridge回帰）は重みをゼロに近づけるのではなく、小さくする傾向があるため、特徴量選択の能力はL1正則化に劣ります。地域効果の特定にはL1正則化がより適しています。