Een vastgoedbedrijf wil huizenprijzen voorspellen met behulp van een historische dataset met 32 features. Welke modelleringsaanpak is geschikt voor deze taak?

Lineaire regressie is de juiste aanpak omdat het een veelgebruikte methode is voor het voorspellen van een continue outputvariabele (huizenprijzen) op basis van een reeks inputvariabelen (features). Het model leert een lineaire relatie tussen de features en de huizenprijs. Logistische regressie is onjuist omdat het wordt gebruikt voor classificatietaken (binaire of multi-klasse output), niet voor het voorspellen van continue waarden. K-means clustering is onjuist omdat het een unsupervised leeralgoritme is dat wordt gebruikt voor het groeperen van vergelijkbare datapunten, niet voor voorspelling. PCA is onjuist omdat het een dimensionaliteitsreductietechniek is die wordt gebruikt om het aantal features te verminderen, niet om voorspellingen te doen.