Inżynier ML trenuje model regresji logistycznej do przewidywania rezygnacji z subskrypcji. Zbiór danych zawiera dwie kategoryczne cechy tekstowe: location (3 różne kategorie) i job_seniority_level (ponad 10 różnych kategorii). Jak należy przetworzyć wstępnie te cechy dla modelu?

Prawidłowa odpowiedź to użycie kodowania one-hot dla location i kodowania porządkowego dla jobsenioritylevel. Location ma tylko 3 kategorie, co sprawia, że kodowanie one-hot jest odpowiednie, ponieważ tworzy ono nowe, binarne cechy dla każdej kategorii, unikając wprowadzania sztucznej kolejności. Jobsenioritylevel ma ponad 10 kategorii i naturalny porządek (np. Junior < Mid < Senior), dlatego kodowanie porządkowe jest właściwe, mapując kategorie na wartości liczbowe odzwierciedlające tę kolejność. Tokenizacja jest zazwyczaj używana dla swobodnego tekstu, a nie dla predefiniowanych kategorii. Bining jest dla cech ciągłych. Skalowanie standardowe jest dla cech numerycznych, a nie kategorycznych.