Inżynier ML buduje model do przewidywania cen domów i mieszkań, wykorzystując trzy cechy: metry kwadratowe, cenę i wiek budynku. Zbiór danych (10 000 wierszy) zawiera wartości ekstremalne: jedną bardzo dużą rezydencję i jedno niezwykle małe mieszkanie. Aby zapewnić, że model będzie dokładnie przewidywał ceny typowych nieruchomości, które podejście do wstępnego przetwarzania danych należy zastosować?

Usunięcie wartości odstających jest kluczowe, ponieważ ekstremalnie duża rezydencja i niezwykle małe mieszkanie mogą zniekształcić model, prowadząc do błędnych przewidywań dla typowych nieruchomości. Transformacja logarytmiczna cechy "metry kwadratowe" jest odpowiednia, ponieważ często pomaga zmniejszyć skośność danych i stabilizuje wariancję, czyniąc rozkład bardziej zbliżonym do normalnego, co jest korzystne dla wielu algorytmów uczenia maszynowego. Zachowanie wartości odstających (opcje B i D) spowodowałoby, że model byłby nadmiernie wrażliwy na te nietypowe przypadki. Kodowanie one-hot (opcje C i D) jest nieodpowiednie dla zmiennych ciągłych, takich jak metry kwadratowe; stosuje się je do zmiennych kategorycznych.