Çoktan seçmeli bir anket, katılımcıların her soru için birden fazla seçenek seçmesine olanak tanır. Lojistik regresyon modelini eğitmek için her katılımcının seçimlerini bir veri kümesinde eksiksiz bir şekilde temsil etmeniz gerekir. Lojistik regresyon için uygun kapsamlı bir temsil sağlayan yaklaşım hangisidir?

Doğru cevap, her anket sorusu için olası her seçenek için one-hot (ikili gösterge) özellikler oluşturmaktır. Lojistik regresyon, genellikle ikili veya çok sınıflı sınıflandırma görevleri için kullanılır ve giriş verilerinin sayısal olmasını bekler. Katılımcıların birden fazla seçenek seçebildiği durumlarda, her bir seçeneğin varlığını veya yokluğunu gösteren ikili (0 veya 1) bir özellik oluşturmak, bu tür verileri lojistik regresyon modelinin anlayabileceği bir formata dönüştürmenin en uygun yoludur. Binning uygulamak, kategorik verileri gruplara ayırır ancak çoktan seçmeli bir ankette her seçeneğin bağımsız olarak temsil edilmesi gerektiği için uygun değildir. Amazon Mechanical Turk kullanmak, veri etiketleme için bir araçtır ancak ham veriyi doğrudan lojistik regresyon için uygun bir sayısal formata dönüştürmez. Amazon Textract, metin ve formlardan veri çıkarmak için kullanılır, ancak seçilen yanıtları doğrudan lojistik regresyon için uygun sayısal özelliklere dönüştürmez; bu, Textract'ın birincil işlevi değildir.