Een data engineer ontdekt dat veel van de 100 features in een tabulaire dataset van een klant sterk gecorreleerd zijn. Welke acties moeten zij ondernemen om multicollineariteit aan te pakken? (Kies twee.)

Multicollineariteit treedt op wanneer onafhankelijke variabelen in een regressiemodel sterk gecorreleerd zijn, wat de interpretatie van de coëfficiënten bemoeilijkt en de modelstabiliteit kan verminderen. Twee effectieve strategieën om dit aan te pakken zijn: 1. Principal Component Analysis (PCA) toepassen om dimensionaliteit te reduceren: PCA transformeert de originele gecorreleerde features naar een nieuwe set ongecorreleerde features, genaamd hoofdcomponenten. Door een subset van deze hoofdcomponenten te selecteren die de meeste variantie verklaren, wordt de dimensionaliteit gereduceerd en multicollineariteit geëlimineerd. 2. Enkele van de sterk gecorreleerde features uit de dataset verwijderen: Dit is een directe aanpak waarbij één van de sterk gecorreleerde features wordt verwijderd. Dit kan gedaan worden op basis van domeinkennis of door het kiezen van de feature met de laagste voorspellende kracht. Het trainen van het model met een lineair algoritme lost multicollineariteit niet op; het kan de problemen juist verergeren. Min-max feature scaling en one-hot encoding zijn technieken voor respectievelijk normalisatie en het omgaan met categorische variabelen; ze pakken multicollineariteit niet direct aan.