Bir ML mühendisinin yalnızca "evet" veya "hayır" olan anket yanıtları var. Bu yanıtları, veri kümesinin boyutunu artırmadan model eğitimini iyileştiren tek bir özelliğe dönüştürmesi gerekiyor. Hangi yöntemler bu kısıtlamaları karşılar? (İki tane seçin.)

Bir ML mühendisinin "evet" veya "hayır" gibi ikili anket yanıtlarını tek bir özelliğe dönüştürmesi ve veri kümesinin boyutunu artırmaması gerektiğinde, Binary encoding ve Label encoding bu kısıtlamaları karşılar. Binary encoding, "evet" ve "hayır" gibi iki kategoriyi doğrudan 0 ve 1 gibi ikili değerlere eşler. Label encoding de benzer şekilde, kategorilere tam sayı etiketleri (örneğin, "evet" için 0, "hayır" için 1) atar ve her iki yöntem de yalnızca tek bir sütun oluşturarak veri kümesinin boyutunu korur. One-hot encoding, her kategori için ayrı bir ikili sütun oluşturduğu için veri kümesinin boyutunu artırır. Statistical imputation, eksik değerleri doldurmak için kullanılır ve mevcut verileri dönüştürmez. Tokenization ise metin verilerini işlemek için kullanılan bir yöntemdir ve anket yanıtları için uygun değildir.