對於預測房價的全連接神經網路，您應該如何編碼經緯度以捕捉位置效應？

正確答案是「建立經緯度的特徵交叉，以分鐘為單位進行分桶，並在優化期間使用 L1 regularization」。 房價受地理位置的影響很大，單純將經緯度作為輸入（選項一）無法有效捕捉非線性關係和區域效應。經緯度特徵交叉（feature cross）能結合兩者資訊，產生新的特徵來表示特定區域。將這些交叉特徵進行分桶（binning，例如以分鐘為單位）可以進一步捕捉更精細的區域模式，因為房價在小範圍內可能差異很大。 L1 regularization (Lasso) 在模型訓練中會傾向於將不重要的特徵權重壓縮為零，達到特徵選擇的效果。這對於處理大量分桶後的交叉特徵非常有用，可以減少模型複雜度並避免過度擬合，特別是當某些地理區域對房價影響不大時。 選項二僅建立數值欄位，未分桶也未正規化，效果不如分桶和正規化。選項四使用 L2 regularization (Ridge)，它會將不重要的特徵權重趨近於零，但通常不會完全為零，因此在特徵選擇方面不如 L1 有效。