O modelo de previsão de vendas diárias de uma empresa de varejo tem produzido previsões imprecisas há três semanas. Um job do AWS Glue anexa as vendas reais e as previsões do modelo ao S3 todos os dias. A equipe de ML está investigando a degradação do modelo em um notebook do SageMaker Studio. Qual visualização mostrará com mais precisão a degradação do modelo ao longo do tempo?

Um gráfico de linha mostrando o Erro Médio Absoluto (MAE) semanal do modelo é a melhor opção porque ele visualiza diretamente a métrica de desempenho do modelo (erro) ao longo do tempo. Isso permite identificar tendências e pontos de degradação de forma clara e concisa. O MAE é uma métrica comum para avaliar a precisão de modelos de previsão. Histogramas de vendas diárias (primeira opção) mostram a distribuição dos dados de entrada, mas não o desempenho do modelo. Histogramas de erros (segunda opção) podem mostrar a distribuição dos erros em diferentes períodos, mas um gráfico de linha do MAE agrega essa informação em uma métrica temporal, facilitando a identificação da degradação. Gráficos de dispersão (quarta opção) podem revelar correlações entre vendas e erros, mas são menos eficazes para mostrar a tendência de degradação do desempenho do modelo ao longo do tempo.