Ein Unternehmen erstellt einen Klassifikator, um die monatliche Verkaufsleistung (1–5) der letzten 20 Jahre zu bewerten. Der Datensatz enthält Monat, Verkaufsregion, aggregierte regionale Verkäufe und Anzahl der Geschäfte. Zwei Monate pro Jahr weisen durchweg hohe aggregierte Verkäufe auf (saisonale Spitzen). Nach der One-Hot-Kodierung kategorialer Merkmale und dem Training ist die Modellgenauigkeit im Validierungssatz schlechter als erwartet. Welcher Schritt wird die Validierungsgenauigkeit am ehesten verbessern?

Ein stratifizierter Trainings-/Validierungs-Split ist am effektivsten, da er sicherstellt, dass die saisonalen Spitzen (Monat) und die regionalen Muster (Verkaufsregion) in den Trainings- und Validierungsdatensätzen proportional repräsentiert sind. Dies verhindert, dass das Modell wichtige Muster nicht lernt oder überbewertet, was die Validierungsgenauigkeit verbessert. Das Entfernen von Ausreißern könnte nützliche Daten eliminieren, insbesondere wenn die saisonalen Spitzen als Ausreißer interpretiert werden. Die globale Normalisierung der aggregierten Verkäufe oder die separate Normalisierung pro Region sind Standard-Vorverarbeitungsschritte, die die Modellleistung verbessern können, aber nicht direkt das Problem der ungleichmäßigen Verteilung wichtiger kategorialer Merkmale im Split adressieren.