Bir çevrimiçi mağaza, gelecekteki kitap satışlarını tahmin etmek için doğrusal regresyon kullanıyor. Sayısal özelliklerden biri 'duration' (kitabın listelendiği gün sayısı). Keşifsel analiz, satışlar ve duration arasındaki ilişkinin çarpık ve doğrusal olmadığını gösteriyor. Modeli iyileştirmek için en uygun dönüşüm hangisidir?

Doğrusal regresyon, doğrusal ilişkileri en iyi şekilde modeller. 'Duration' ve satışlar arasındaki ilişkinin çarpık ve doğrusal olmaması, doğrudan kullanımının model performansını düşüreceği anlamına gelir. Niceleyici tabanlı kutulara dönüştürmek (quantile binning), sürekli bir özelliği aralıklı kategorilere ayırarak doğrusal olmayan ilişkilerin yakalanmasına yardımcı olur. Bu, modelin farklı 'duration' aralıkları için farklı etkileri öğrenmesini sağlar. One-hot encoding, kategorik veriler için uygundur, ancak 'duration' sürekli bir özelliktir ve doğrudan uygulanması bilgi kaybına yol açar. Kartezyen çarpım, özellik etkileşimlerini yakalamak içindir, ancak tek bir özelliğin doğrusal olmayan doğasını ele almaz. Normalizasyon, özellik ölçeklerini ayarlasa da, doğrusal olmayan bir ilişkiyi doğrusal hale getirmez.