Bir veri mühendisi, bir müşteri tablosu veri kümesindeki 100 özelliğin çoğunun yüksek oranda ilişkili olduğunu fark eder. Çoklu doğrusallığı gidermek için hangi eylemleri yapmalıdırlar? (İki tane seçin.)

Çoklu doğrusallık, bağımsız değişkenler arasında yüksek korelasyon olduğunda ortaya çıkar ve modelin yorumlanabilirliğini ve kararlılığını olumsuz etkileyebilir. Bu durumu gidermek için iki etkili yöntem vardır: 1. Boyut azaltma için principal component analysis (PCA) uygulamak: PCA, orijinal korelasyonlu değişkenleri daha az sayıda korelasyonsuz bileşene dönüştürerek çoklu doğrusallığı azaltır. Bu bileşenler, veri kümesindeki varyansın çoğunu yakalar. 2. Veri kümesinden yüksek oranda ilişkili özelliklerin bazılarını kaldırmak: Birbirleriyle yüksek korelasyon gösteren özelliklerden birini veya birkaçını veri kümesinden çıkarmak, çoklu doğrusallığı doğrudan ortadan kaldırır. Bu, modelin karmaşıklığını da azaltabilir. Diğer seçenekler: "Modeli doğrusal tabanlı bir algoritma ile eğitmek" çoklu doğrusallığı gidermez, aksine doğrusal modeller çoklu doğrusallıktan etkilenebilir. "Veri kümesine min-max feature scaling uygulamak" ve "Kategorik değişkenlere one-hot encoding uygulamak" veri ölçeklendirme ve kategorik veri dönüşüm teknikleridir; çoklu doğrusallığı doğrudan çözmezler.