Inżynier uczenia maszynowego przygotowujący dane dla modelu klasyfikacji zauważa, że kilka ciągłych cech numerycznych ma wartości znacznie większe niż inne. Ekspert dziedzinowy potwierdza, że cechy są informatywne, a zbiór danych jest reprezentatywny. Dokładność wytrenowanego modelu jest niższa niż oczekiwano. Który krok przetwarzania wstępnego najbardziej poprawi dokładność wnioskowania?

Normalizacja cech o nieproporcjonalnie dużych wartościach (np. skalowanie min-max lub standaryzacja Z-score) jest kluczowa, ponieważ wiele algorytmów uczenia maszynowego jest wrażliwych na skalę danych wejściowych. Duże wartości mogą dominować w obliczeniach odległości lub wag, co prowadzi do słabej konwergencji lub niedokładnych wyników. Normalizacja zapewnia, że wszystkie cechy wnoszą proporcjonalny wkład do procesu uczenia. Bootstrapping jest techniką próbkowania, a nie przetwarzania wstępnego cech. Usunięcie cech jest niewskazane, gdy ekspert dziedzinowy potwierdza ich informatywność. Tworzenie ekstrapolowanych cech syntetycznych jest złożoną techniką, która nie rozwiązuje podstawowego problemu skali i może wprowadzić artefakty.