Bereid een categorische feature voor steden voor een BigQuery ML lineair regressiemodel voor met minimale codering, terwijl voorspellende informatie behouden blijft. Wat moet u doen?

De beste aanpak is om BigQuery SQL te gebruiken voor one-hot encoding van de city-kolom. BigQuery ML ondersteunt one-hot encoding van categorische features direct via SQL-functies, wat minimale codering vereist en de voorspellende informatie van elke stad behoudt. Het weglaten van de city-kolom (optie 1) zou leiden tot verlies van waardevolle voorspellende informatie. Het gebruik van TensorFlow (optie 3) is overbodig, aangezien BigQuery ML dit native kan afhandelen en meer code en complexiteit introduceert. Het mappen van steden naar numerieke regio-labels (optie 4) zou leiden tot verlies van granulariteit en kan een ordinale relatie impliceren die er niet is, wat de modelprestaties kan schaden. One-hot encoding is de standaard en meest effectieve methode voor categorische features in lineaire regressiemodellen.