Ein ML-Spezialist muss die täglichen Verkaufszahlen für ein Geschäft anhand von 10 Jahren historischer täglicher Verkaufsdaten prognostizieren. Etwa 10 % der Tage in den historischen Aufzeichnungen weisen fehlende Verkaufsdaten auf. Das Prognosemodell erbringt eine unzureichende Leistung. Welche Maßnahme verbessert die Modellleistung am ehesten?

Die Ergänzung fehlender Daten mittels linearer Interpolation ist am ehesten geeignet, die Modellleistung zu verbessern, da fehlende Werte (10 % der Daten) die Genauigkeit von Zeitreihenmodellen erheblich beeinträchtigen können. Lineare Interpolation füllt diese Lücken basierend auf den umgebenden bekannten Werten, was die Datenkontinuität für das Modell verbessert. Das Aggregieren von Verkaufszahlen über Geschäfte hinweg würde die Granularität der Daten ändern und ist nicht direkt auf das Problem fehlender Daten im ursprünglichen Datensatz anwendbar. Das Anwenden von Glättung korrigiert zwar saisonale Schwankungen, behebt aber nicht das grundlegende Problem fehlender Daten. Das Ändern der Prognosehäufigkeit auf wöchentlich würde ebenfalls die Granularität ändern und könnte wichtige tägliche Muster maskieren, anstatt die Datenqualität zu verbessern.