ML-инженер располагает ответами на опрос, которые могут быть только «да» или «нет». Ему необходимо преобразовать эти ответы в один признак, который улучшит обучение модели без увеличения размерности набора данных. Какие методы удовлетворяют этим ограничениям? (Выберите два.)

Бинарное кодирование (сопоставление категорий бинарным значениям) подходит, так как ответы «да»/«нет» являются бинарными по своей природе. Их можно напрямую преобразовать в 0 и 1, что не увеличивает размерность и эффективно для модели. Label encoding (присвоение целочисленных меток категориям) также является верным выбором, поскольку для двух категорий «да» и «нет» можно присвоить значения 0 и 1 соответственно. Это также не увеличивает размерность. One-hot encoding не подходит, так как он создаст два новых столбца (по одному для «да» и «нет»), что увеличит размерность набора данных, хотя и незначительно для двух категорий. Статистическая импутация используется для заполнения пропущенных значений, а не для преобразования категориальных признаков. Токенизация применяется для обработки текстовых данных, а не для бинарных ответов на опрос.