Компания, выпускающая кредитные карты, хочет ускорить обучение модели оценки кредитоспособности, построенной на тысячах необработанных атрибутов, многие из которых сильно коррелированы. Обучение идет медленно, и модель переобучается. Какая техника feature-инжиниринга уменьшит размерность и время обучения, не отбрасывая при этом много информации?

Использование автоэнкодера или метода главных компонент (PCA) является эффективным способом уменьшения размерности при сохранении большей части информации. Эти методы преобразуют исходные, сильно коррелированные признаки в меньший набор некоррелированных признаков (компонентов), что ускоряет обучение и снижает риск переобучения. Автокорреляция признаков и отбрасывание сильно коррелированных признаков может привести к потере важной информации, если коррелированные признаки несут уникальные аспекты данных. Нормализация признаков полезна, но не уменьшает размерность и не решает проблему корреляции. Кластеризация данных с помощью k-means и выбор точек из каждого кластера уменьшит размер обучающего набора, но не преобразует признаки для уменьшения размерности и не решает проблему корреляции между ними.