Bir şirket, çok değişkenli doğrusal regresyon kullanarak ev satış fiyatlarını tahmin etmek istiyor. Veri seti, arsa büyüklüğü, yaşam alanı, yaşam dışı alan, yatak odası sayısı, banyo sayısı, inşa yılı ve posta kodu gibi özellikleri içeriyor. Bir makine öğrenimi uzmanı, alakasız özellikleri elemek ve model karmaşıklığını azaltmak için hangi prosedürü kullanmalıdır?

Doğru cevap, her özelliğin hedef satış fiyatı ile korelasyonunu hesaplayıp hedefle az korelasyon gösteren özellikleri kaldırmaktır. Bu yöntem, modelin tahmin gücünü artırmak için hedef değişkenle en alakalı özellikleri seçer ve alakasız özellikleri eleyerek model karmaşıklığını azaltır. Yüksek varyansa sahip özellikleri kaldırmak her zaman doğru değildir; bazı önemli özellikler doğal olarak yüksek varyansa sahip olabilir. Düşük varyansa sahip özellikleri kaldırmak, modelin öğrenmesini zorlaştırabilir, çünkü bu özellikler genellikle sabit veya çok az değişen değerlere sahiptir. Özellikler arası korelasyonların ısı haritasını oluşturmak, çoklu doğrusallık sorunlarını tespit etmek için faydalıdır, ancak doğrudan hedef değişkenle alakasız özellikleri elemek için en etkili yöntem değildir.