W pełni połączonej sieci neuronowej przewidującej ceny nieruchomości, w jaki sposób należy zakodować szerokość i długość geograficzną, aby uwzględnić efekty lokalizacji?

Prawidłowa odpowiedź zakłada stworzenie cechy skrzyżowania (feature cross) szerokości i długości geograficznej, co pozwala modelowi uchwycić interakcje między tymi współrzędnymi, a nie tylko ich indywidualne efekty. Podzielenie na przedziały (bucketization) na poziomie minutowym tworzy dyskretne kategorie dla lokalizacji, co jest bardziej efektywne niż surowe wartości numeryczne, zwłaszcza w przypadku sieci neuronowych. Zastosowanie regularyzacji L1 (lasso) pomaga w wyborze cech, zerując wagi dla mniej istotnych przedziałów lokalizacji, co upraszcza model i zapobiega nadmiernemu dopasowaniu (overfitting). Pozostałe opcje są mniej optymalne: Podanie szerokości i długości geograficznej jako surowych wektorów wejściowych nie uchwyci złożonych interakcji przestrzennych. Utworzenie tylko numerycznej kolumny z cechy skrzyżowania bez podziału na przedziały nadal traktuje lokalizację jako ciągłą wartość, co może być problematyczne dla sieci neuronowych. Użycie regularyzacji L2 (ridge) zamiast L1 zmniejsza wagi, ale rzadko zeruje je całkowicie, co oznacza, że model nadal uwzględniałby wszystkie przedziały, nawet te mało istotne, zamiast dokonywać selekcji cech.