예측 정보를 보존하면서 최소한의 코딩으로 BigQuery ML 선형 회귀 모델을 위한 도시 범주형 특성을 준비해야 합니다. 어떻게 해야 할까요?

BigQuery ML은 범주형 특성을 직접 처리할 수 있지만, 선형 회귀 모델의 경우 원-핫 인코딩은 각 범주를 독립적인 이진 특성으로 변환하여 모델이 범주 간의 순서나 크기 관계를 가정하지 않고 각 범주의 영향을 개별적으로 학습할 수 있도록 합니다. 이는 예측 정보를 보존하면서 모델의 해석 가능성과 성능을 향상시키는 일반적인 방법입니다. BigQuery SQL은 CASE 문이나 IF 함수를 사용하여 이러한 원-핫 인코딩을 효율적으로 수행할 수 있습니다. 도시 열을 생략하면 중요한 예측 정보가 손실됩니다. TensorFlow를 사용하는 것은 BigQuery ML의 내장 기능을 활용하지 않아 불필요하게 복잡하며, Cloud Data Fusion을 사용하여 숫자로 매핑하는 것은 순서형 관계를 도입하여 선형 회귀 모델에 오해를 줄 수 있습니다.