Khi đối mặt với hàng nghìn đặc trưng đầu vào (thousands of features), việc huấn luyện mô hình sẽ bị chậm đi đáng kể. Phương pháp kỹ thuật đặc trưng tốt nhất là kết hợp các đặc trưng phụ thuộc hoặc tương quan cao với nhau thành một đặc trưng đại diện duy nhất (lựa chọn B), ví dụ thông qua các thuật toán giảm chiều dữ liệu như PCA (Principal Component Analysis), giúp giảm số lượng đặc trưng đầu vào cho mô hình nhưng vẫn giữ lại hầu hết thông tin quan trọng để không ảnh hưởng nhiều đến độ chính xác. Lựa chọn A loại bỏ đặc trưng tương quan mạnh với nhãn đầu ra là sai vì đây chính là các đặc trưng dự báo tốt nhất. Lựa chọn C (tính trung bình cơ học) không mang lại ý nghĩa toán học. Lựa chọn D loại bỏ các đặc trưng có nhiều giá trị null có thể làm mất mát thông tin quan trọng (trong nhiều bài toán, sự xuất hiện của giá trị null bản thân nó là một đặc trưng dự báo mạnh).

(Đáp án được gợi ý bởi AI)