Um varejista construiu um modelo linear simples para prever vendas a partir do preço, e o gráfico de resíduos indica um padrão não linear claro. Quais ações o engenheiro de ML deve tomar a seguir para melhorar a precisão da previsão? (Escolha três.)

Um padrão não linear claro nos resíduos indica que o modelo linear não está capturando a relação subjacente nos dados. Dividir os dados e construir dois modelos separados para diferentes regiões dos dados pode ser eficaz se a não linearidade for segmentada, permitindo que cada modelo se ajuste melhor a uma parte específica da relação. Inspecionar as características de entrada e aplicar transformações não lineares (como logaritmo, polinômio, etc.) pode linearizar a relação entre as variáveis, tornando-a mais adequada para um modelo linear. Substituir o modelo linear por um modelo não linear (como árvores de decisão, redes neurais, SVM não linear) é uma abordagem direta para lidar com relações intrinsecamente não lineares. Reduzir o tamanho do conjunto de dados ou da amostra sem um motivo específico geralmente prejudica o desempenho do modelo, pois menos dados significam menos informações para aprender. Compensar valores de entrada por uma constante não aborda a não linearidade subjacente e pode introduzir viés.