Um especialista em ML deve prever as vendas diárias de uma loja usando 10 anos de dados históricos de vendas diárias. Cerca de 10% dos dias no registro histórico têm valores de vendas ausentes. O modelo de previsão tem um desempenho insatisfatório. Qual ação tem maior probabilidade de melhorar o desempenho do modelo?

A interpolação linear é a ação mais provável para melhorar o desempenho, pois o modelo de previsão está lidando com dados incompletos. Preencher os 10% de valores ausentes com uma estimativa razoável baseada nos dados existentes (interpolação linear) fornecerá ao modelo um conjunto de dados mais completo e consistente para aprender, o que geralmente leva a um desempenho aprimorado. Agregar vendas de várias lojas pode introduzir ruído ou padrões irrelevantes se as lojas tiverem características de vendas diferentes. A suavização é útil para remover ruído ou destacar tendências, mas não resolve o problema fundamental dos dados ausentes. Alterar a frequência da previsão para semanal pode mascarar padrões diários importantes e não aborda diretamente a questão dos dados ausentes no nível diário.