U bouwt een regressiemodel om huurprijzen te voorspellen. Een categorische feature Wall_Color geeft de dominante buitenkleur van het pand aan. Welke feature-engineering methoden stellen dit model in staat om de Wall_Color-gegevens te gebruiken? (Kies er twee.)

One-hot encoding is geschikt omdat het categorische gegevens omzet in een numeriek formaat zonder een ordinale relatie te impliceren die er niet is. Elke unieke kleur krijgt een eigen binaire kolom (0 of 1), wat het model in staat stelt om de invloed van elke kleur afzonderlijk te leren. Frequentie-encoding is ook een effectieve methode omdat het de categorische variabele vervangt door de frequentie of het aandeel van elke categorie. Dit kan nuttig zijn als de frequentie van een kleur correleert met de huurprijs. Het toewijzen van willekeurige gehele getallen creëert een kunstmatige ordinale relatie die het model kan misleiden. Het vervangen door de lengte van de naam heeft geen intrinsieke betekenis voor de huurprijs. RGB-waarden zijn te gedetailleerd en waarschijnlijk niet relevant voor de huurprijsvoorspelling.