Ankieta wielokrotnego wyboru pozwala respondentom zaznaczyć wiele opcji na pytanie. Musisz przedstawić wybory każdego respondenta w zestawie danych, aby wytrenować model regresji logistycznej. Które podejście zapewnia kompleksową reprezentację odpowiednią dla regresji logistycznej?

Regresja logistyczna wymaga cech numerycznych. Tworzenie cech one-hot (kodowanie jednokrotne) dla każdej możliwej opcji ankiety przekształca dane kategoryczne w format binarny (0 lub 1), gdzie 1 oznacza wybranie opcji, a 0 jej brak. To podejście jest odpowiednie dla pytań wielokrotnego wyboru, ponieważ pozwala na reprezentację wielu zaznaczonych opcji dla jednego respondenta, zachowując jednocześnie format zrozumiały dla regresji logistycznej. Binning (grupowanie w przedziały) jest używane do przekształcania zmiennych ciągłych lub porządkowych, a nie nominalnych wyborów wielokrotnych. Amazon Mechanical Turk służy do crowdsourcingu zadań, a nie do bezpośredniego przetwarzania danych dla modelu. Amazon Textract jest narzędziem do ekstrakcji tekstu z dokumentów, nie do konwersji wybranych odpowiedzi ankietowych na cechy numeryczne w ten sposób.