Potrzebujesz swobodnego przygotowania danych dla modelu regresji logistycznej i musisz zachować wartości null jako wartości rzeczywiste (nieusunięte). Jakie podejście należy zastosować?

Prawidłowa odpowiedź to użycie Cloud Dataprep do wykrywania wartości null i przekształcenia ich w 0. Dataprep jest narzędziem do eksploracji i przygotowania danych, które umożliwia wizualne identyfikowanie i manipulowanie wartościami null. Konwersja wartości null na 0 jest standardową praktyką w przygotowaniu danych dla modeli regresji logistycznej, ponieważ pozwala modelowi traktować brakujące dane jako konkretną wartość numeryczną, co jest często preferowane w przypadku zmiennych numerycznych. Pozostałe opcje są mniej odpowiednie: konwersja na ciąg znaków 'none' jest niewłaściwa dla zmiennych numerycznych, a użycie Cloud Dataflow do prostego wykrywania i konwersji wartości null jest nadmierne i mniej efektywne niż Dataprep, który jest zaprojektowany do tego typu zadań.