객관식 설문조사에서는 응답자가 질문당 여러 옵션을 선택할 수 있습니다. 로지스틱 회귀 모델을 훈련하기 위한 데이터 세트에서 모든 응답자의 선택을 완벽하게 나타내야 합니다. 로지스틱 회귀에 적합한 포괄적인 표현을 제공하는 접근 방식은 무엇입니까?

로지스틱 회귀는 일반적으로 이진 또는 다항 분류 문제에 사용됩니다. 응답자가 여러 옵션을 선택할 수 있는 경우, 각 옵션은 독립적인 이진 변수로 간주될 수 있습니다. 원-핫 인코딩(one-hot encoding)은 각 가능한 선택지에 대해 이진(0 또는 1) 지표 특성을 생성하여, 응답자가 해당 옵션을 선택했는지 여부를 나타냅니다. 이는 로지스틱 회귀 모델이 각 옵션의 영향을 개별적으로 학습할 수 있도록 하는 가장 적절하고 포괄적인 표현 방식입니다. 다른 옵션들은 적절하지 않습니다. binning은 여러 선택지를 하나의 범주로 묶어 정보 손실을 야기할 수 있으며, 로지스틱 회귀에 직접적으로 적합하지 않습니다. Amazon Mechanical Turk를 사용하여 범주형 레이블을 할당하는 것은 수동 작업이며, 이미 존재하는 응답 데이터를 변환하는 데 적합하지 않습니다. Amazon Textract는 문서에서 텍스트를 추출하는 서비스로, 응답 선택을 숫자 특성으로 변환하는 데 직접적인 관련이 없습니다.