一位 ML 工程師正在訓練一個羅吉斯迴歸模型，用於預測訂閱流失。資料集包含兩個類別字串特徵：location (3 個不同的類別) 和 job_seniority_level (超過 10 個不同的類別)。這些特徵應該如何為模型進行預處理？

對於羅吉斯迴歸模型，類別特徵需要轉換為數值形式。One-hot encoding 適用於名目類別特徵，例如 location，因為它沒有固有的順序。它會為每個類別創建一個新的二元特徵，避免模型錯誤地推斷出順序關係。jobsenioritylevel 具有超過 10 個類別，且通常存在自然順序（例如：初級、中級、高級），因此序數編碼更為合適。序數編碼將每個類別映射到一個整數，保留了其順序資訊。 錯誤選項分析： 對 location 進行 Tokenize 不適用於羅吉斯迴歸，因為 Tokenize 通常用於文本數據，將單詞轉換為數字表示。 對 location 進行分箱不適用，因為 location 只有 3 個類別，分箱沒有意義。 對 jobsenioritylevel 應用標準化縮放不適用，因為標準化縮放是用於數值特徵的，而不是類別特徵。