Une entreprise développe un classifieur pour évaluer la performance des ventes mensuelles (1 à 5) sur les 20 dernières années. L'ensemble de données comprend le mois, la région de vente, les ventes agrégées régionales et le nombre de magasins. Deux mois chaque année affichent des ventes agrégées constamment élevées (pics saisonniers). Après l'encodage one-hot des caractéristiques catégorielles et l'entraînement, la précision du modèle sur l'ensemble de validation est inférieure aux attentes. Quelle étape améliorera le plus probablement la précision de la validation ?

La division stratifiée est cruciale ici car les pics saisonniers et les régions de vente sont des facteurs importants influençant la performance. Une division aléatoire pourrait entraîner une répartition inégale de ces mois ou régions clés entre les ensembles d'entraînement et de validation, ce qui empêcherait le modèle d'apprendre ou d'être évalué correctement sur ces schémas importants. La stratification garantit que la distribution de ces caractéristiques est représentée de manière proportionnelle dans les deux ensembles, améliorant ainsi la robustesse de l'évaluation et la généralisation du modèle. Supprimer les valeurs aberrantes pourrait éliminer des informations précieuses, surtout si elles représentent des événements réels. La normalisation des ventes agrégées est une bonne pratique, mais elle n'aborde pas directement le problème de la répartition des données saisonnières et régionales comme le fait la stratification. Normaliser globalement ou par région ne résoudrait pas le déséquilibre potentiel des données saisonnières ou régionales dans les ensembles d'entraînement et de validation.