一位零售ML专家正在使用10年的历史每日销售数据预测商店的每日销售额。大约5%的天数存在缺失值。预测误差在季节性事件前后最高，此时预测结果始终存在偏差。专家应采取哪两项措施来尝试提高模型性能？（选择两项。）

零售销售数据通常具有很强的季节性模式和特殊事件影响。添加描述商店销售周期（如节假日、促销或特殊活动）的特征，可以直接捕捉这些影响，帮助模型学习并纠正预测偏差，尤其是在季节性事件前后。应用平滑或建模技术（如时间序列分解、SARIMA模型或神经网络）来纠正季节性变化，能有效处理数据中的周期性波动，提高模型对未来销售额的预测准确性。 汇总附近商店的数据可能会引入不相关的模式，因为不同商店的销售行为可能不同。将预测频率改为每周会丢失每日销售的细节，可能无法满足每日预测的需求。线性插值填充缺失值虽然可以处理缺失数据，但对于5%的缺失率，更关键的是解决模型对季节性和事件的捕捉能力。