Een ML-engineer traint een logistisch regressiemodel om abonnementsverloop te voorspellen. De dataset bevat twee categorische string-features: location (3 verschillende categorieën) en job_seniority_level (meer dan 10 verschillende categorieën). Hoe moeten deze features worden voorbewerkt voor het model?

One-hot encoding is geschikt voor de 'location'-feature omdat deze een klein aantal (3) nominale categorieën heeft. Dit voorkomt dat het model een onterechte ordinale relatie tussen locaties aanneemt. Ordinale codering is de beste keuze voor 'jobsenioritylevel' omdat er een inherente volgorde of rangorde is in de senioriteitsniveaus (bijv. junior < medior < senior). Dit stelt het model in staat om deze volgorde te leren. Tokenisatie is meer voor tekstverwerking. Binning en standaard schaling zijn niet geschikt voor categorische string-features; standaard schaling is voor numerieke features.