Khi huấn luyện mô hình dự đoán giá nhà dựa trên tọa độ địa lý (vĩ độ và kinh độ), việc đưa trực tiếp giá trị số vĩ độ/kinh độ vào mạng nơ-ron (Lựa chọn A) sẽ khiến mô hình giả định mối quan hệ tuyến tính liên tục của vị trí, điều này không đúng trong thực tế bất động sản.
- Tạo tích chéo vĩ độ/kinh độ, chia giỏ và chuẩn hóa L1 (Lựa chọn C):
- Việc tạo một feature cross (tích chéo tính năng) giữa vĩ độ và kinh độ giúp tạo ra một lưới địa hình.
- Sau đó ta bucketize (chia giỏ) ở mức chi tiết (ví dụ: mức phút địa lý). Việc này sẽ tạo ra một không gian tính năng rất lớn nhưng rất thưa thớt (sparse features) - tức là mỗi ngôi nhà chỉ nằm trong đúng một ô lưới duy nhất.
- Để tối ưu hóa và huấn luyện hiệu quả trên không gian tính năng thưa thớt này, chúng ta cần sử dụng L1 regularization (Lasso). Khác với L2 regularization (Ridge) vốn chỉ thu nhỏ trọng số về gần 0, L1 regularization có khả năng triệt tiêu hoàn toàn trọng số của các tính năng không quan trọng (đưa về đúng bằng 0), đóng vai trò như một bộ lọc tính năng tự động giúp mô hình gọn nhẹ và tránh overfitting trên không gian thưa thớt.
(Đáp án được gợi ý bởi AI)