Un minorista construyó un modelo lineal simple para predecir las ventas a partir del precio, y el gráfico de residuos indica un patrón no lineal claro. ¿Qué acciones debería tomar a continuación el ingeniero de ML para mejorar la precisión de la predicción? (Elija tres)

Un patrón no lineal claro en los residuos indica que el modelo lineal no está capturando adecuadamente la relación subyacente en los datos. 1. Dividir los datos y construir dos modelos separados para diferentes regiones de los datos: Si el patrón no lineal es diferente en distintas partes del rango de precios, entrenar modelos separados para esas regiones puede capturar mejor las relaciones específicas de cada segmento. 2. Inspeccionar las características de entrada y aplicar las transformaciones no lineales apropiadas donde sea necesario: A menudo, una relación no lineal puede linealizarse aplicando transformaciones matemáticas (como logaritmo, raíz cuadrada, o polinomios) a las características de entrada, lo que permite que el modelo lineal las capture de manera más efectiva. 3. Reemplazar el modelo lineal con un modelo no lineal: Si la relación es inherentemente no lineal, un modelo no lineal (como árboles de decisión, bosques aleatorios, redes neuronales o modelos de regresión polinómica) es más adecuado para modelar esa complejidad. Las opciones incorrectas no abordan la causa raíz del problema: Reducir el tamaño del conjunto de datos o de la muestra no mejora la capacidad del modelo para capturar relaciones no lineales y podría incluso empeorar el rendimiento. Compensar valores de entrada con una constante no resuelve el problema de la no linealidad y podría introducir sesgos.