Firma z branży nieruchomości chce przewidywać ceny domów, wykorzystując historyczny zbiór danych z 32 cechami. Które podejście do modelowania jest odpowiednie dla tego zadania?

Regresja liniowa jest odpowiednia, ponieważ zadaniem jest przewidywanie ciągłej wartości liczbowej (ceny domów) na podstawie wielu zmiennych wejściowych (32 cechy). Jest to klasyczny problem regresji. Regresja logistyczna służy do klasyfikacji binarnej lub wieloklasowej, a nie do przewidywania wartości ciągłych. Klastrowanie K-średnich to algorytm uczenia nienadzorowanego, używany do grupowania podobnych punktów danych, a nie do przewidywania konkretnych wartości. Analiza głównych składowych (PCA) to technika redukcji wymiarowości, która zmniejsza liczbę cech, a nie model predykcyjny.