Budujesz model przewidywania opadów deszczu z tysiącami cech; chcesz zmniejszyć liczbę cech, aby przyspieszyć trenowanie przy minimalnej utracie dokładności. Które działanie jest odpowiednie?

Połączenie silnie współzależnych (redundantnych) cech w jedną reprezentatywną cechę, np. poprzez analizę głównych składowych (PCA) lub ekstrakcję cech, jest skuteczną metodą redukcji wymiarowości. Zmniejsza to liczbę cech, eliminując nadmiarowe informacje, co przyspiesza trenowanie modelu i może zapobiegać nadmiernemu dopasowaniu, jednocześnie minimalizując utratę dokładności. Usunięcie cech silnie skorelowanych z etykietami wyjściowymi jest błędne, ponieważ te cechy są często najważniejsze dla predykcji. Uśrednianie cech w stałych grupach po trzy jest arbitralne i może prowadzić do utraty cennych informacji. Usunięcie cech z dużą liczbą wartości null jest strategią obsługi brakujących danych, ale niekoniecznie redukcji wymiarowości w kontekście redundancji.