Un especialista en ML debe pronosticar las ventas diarias de una tienda utilizando 10 años de datos históricos de ventas diarias. Aproximadamente el 10% de los días en el registro histórico tienen valores de ventas faltantes. El modelo de pronóstico tiene un rendimiento inferior. ¿Qué acción tiene más probabilidades de mejorar el rendimiento del modelo?

La interpolación lineal es la acción más probable para mejorar el rendimiento del modelo porque aborda directamente el problema de los datos faltantes, que constituyen un 10% significativo del conjunto de datos. Los modelos de pronóstico suelen tener un rendimiento inferior cuando se enfrentan a lagunas en los datos de series temporales, ya que esto interrumpe los patrones y las dependencias temporales que el modelo intenta aprender. La interpolación lineal estima los valores faltantes basándose en los puntos de datos conocidos adyacentes, lo que ayuda a crear una serie temporal más completa y continua para el entrenamiento del modelo. Agrupar las ventas de todas las tiendas podría introducir ruido o patrones irrelevantes para una tienda específica. El suavizado para la variación estacional es útil, pero no aborda el problema fundamental de los datos faltantes. Cambiar la frecuencia a semanal reduce la granularidad y podría ocultar patrones diarios importantes, además de no resolver la ausencia de datos en los días individuales.