Una empresa está construyendo un clasificador para calificar el rendimiento de ventas mensuales (1-5) de los últimos 20 años. El conjunto de datos incluye el mes, la región de ventas, las ventas agregadas regionales y el número de tiendas. Dos meses cada año muestran ventas agregadas consistentemente altas (picos estacionales). Después de la codificación one-hot de las características categóricas y el entrenamiento, la precisión del modelo en el conjunto de validación es peor de lo esperado. ¿Qué paso es más probable que mejore la precisión de la validación?

La división estratificada de entrenamiento/validación es crucial cuando se tienen clases o características desequilibradas, como los picos estacionales de ventas o las diferentes regiones. Al estratificar por mes y región de ventas, se asegura que tanto el conjunto de entrenamiento como el de validación contengan una representación proporcional de estos patrones, lo que permite que el modelo aprenda y se evalúe de manera más efectiva en la variabilidad real de los datos. Eliminar valores atípicos podría descartar información valiosa sobre los picos estacionales, que son importantes para el rendimiento de ventas. Normalizar las ventas agregadas (globalmente o por región) es una buena práctica, pero no aborda directamente el problema de una división de datos sesgada que podría llevar a una evaluación inexacta del modelo, especialmente con patrones estacionales y regionales específicos.