Un spécialiste ML doit prévoir les ventes quotidiennes d'un magasin en utilisant 10 ans de données historiques de ventes quotidiennes. Environ 10 % des jours dans l'historique ont des valeurs de ventes manquantes. Le modèle de prévision est sous-performant. Quelle action est la plus susceptible d'améliorer les performances du modèle ?

L'interpolation linéaire est la méthode la plus appropriée car elle permet de combler les valeurs manquantes dans les séries chronologiques en estimant les points de données inconnus sur la base des points de données connus adjacents. Cela préserve la fréquence quotidienne des données, ce qui est crucial pour la prévision des ventes quotidiennes, et utilise les informations existantes pour créer une estimation raisonnable. Agréguer les ventes de tous les magasins d'une même zone géographique modifierait la granularité des données et ne résoudrait pas le problème des valeurs manquantes. Appliquer un lissage pour corrifier la variation saisonnière est une technique de prétraitement utile pour les séries chronologiques, mais elle ne gère pas directement les données manquantes. Changer la fréquence des prévisions de quotidienne à hebdomadaire réduirait la granularité des données et pourrait masquer des tendances quotidiennes importantes, ce qui n'est pas l'objectif ici.