Вы создаете регрессионную модель для прогнозирования ставок аренды. Категориальный признак Wall_Color указывает доминирующий внешний цвет объекта недвижимости. Какие методы инженерии признаков позволят этой модели использовать данные Wall_Color? (Выберите два.)

One-hot кодирование преобразует категориальные признаки в бинарные векторы, где каждый столбец представляет одну категорию. Это позволяет модели воспринимать каждую категорию как отдельный признак, не предполагая ложного порядка или числовой зависимости, что важно для номинальных категорий, таких как цвета. Кодирование частотой заменяет каждую категорию её частотой встречаемости в наборе данных. Это полезно, когда частота категории может быть связана с целевой переменной, и помогает модели изучать эти отношения. Сопоставление цветов с произвольными целыми числами (например, Red=1, White=5, Green=10) вводит ложный порядковый признак, который может сбить модель с толку, поскольку нет естественного порядка между цветами. Замена названия цвета его длиной (количеством символов) или кодирование RGB-значениями не всегда релевантно для прогнозирования ставок аренды, так как длина слова или точные значения RGB могут не иметь прямой корреляции с арендной платой.