一份多選題問卷允許受訪者針對每個問題選擇多個選項。您必須在資料集中完整呈現每位受訪者的選擇，以訓練羅吉斯迴歸模型。哪種方法可以提供適合羅吉斯迴歸的全面表示？

正確答案是為每個問卷問題的每個可能選項建立 one-hot (二元指標) 特徵。羅吉斯迴歸模型需要數值輸入，而 one-hot 編碼能將類別資料轉換為二元（0 或 1）數值特徵，有效表示多選題中每個選項的選取狀態。每個問題的每個潛在答案都將成為一個獨立的特徵，如果受訪者選擇了該選項，其值為 1，否則為 0。這提供了模型所需的完整且可解釋的輸入。 對每個受訪者針對每個問題選擇的答案集應用分箱不適用，因為分箱通常用於將連續數值資料離散化，而非處理多選類別資料。使用 Amazon Mechanical Turk 為每個回應組合指派類別標籤會引入額外的人工標記步驟，且可能將多選題的本質轉換為單一類別標籤，失去原始資訊。使用 Amazon Textract 將回應選項轉換為每個選定答案集的數值特徵不適用，因為 Textract 主要用於從文件提取文本和數據，而非將多選題答案轉換為數值特徵。