Una empresa minorista tiene muy pocas compras por cliente y depende de muchos usuarios nuevos. Al dividir los datos para entrenar y probar un recomendador personalizado, ¿cómo debe el científico de datos crear un conjunto de prueba que refleje el uso real?

La opción correcta garantiza que el conjunto de prueba contenga las interacciones más recientes de cada usuario, simulando cómo un recomendador personalizado se desempeñaría en el mundo real, prediciendo futuras interacciones. Esto es crucial para un negocio con muchos usuarios nuevos y pocas compras por cliente, ya que el modelo necesita adaptarse rápidamente a los comportamientos emergentes. Mezclar todos los registros y reservar el último 10% de las interacciones generales (opción 1) no asegura que cada usuario tenga interacciones recientes en el conjunto de prueba, lo que podría llevar a una evaluación sesgada. Seleccionar el 10% de los usuarios con menos interacciones (opción 3) o seleccionar aleatoriamente el 10% de los usuarios (opción 4) y usar todas sus interacciones no refleja el escenario de predicción de interacciones futuras para usuarios existentes, ya que el modelo no tendría datos de entrenamiento para esos usuarios en el conjunto de prueba.