Un rivenditore ha costruito un semplice modello lineare per prevedere le vendite in base al prezzo, e il grafico dei residui indica un chiaro pattern non lineare. Quali azioni dovrebbe intraprendere l'ingegnere ML per migliorare l'accuratezza della previsione? (Scegliere tre.)

Un pattern non lineare nei residui indica che il modello lineare non sta catturando la relazione sottostante tra le feature e il target. 1. Dividere i dati e costruire due modelli separati per diverse regioni dei dati: Se il pattern non lineare è dovuto a comportamenti diversi in diverse regioni dei dati (ad esempio, un punto di flesso), la costruzione di modelli separati per queste regioni può catturare meglio le relazioni specifiche di ciascuna. 2. Esaminare le feature di input e applicare trasformazioni non lineari appropriate dove necessario: Trasformazioni come logaritmi, radici quadrate o termini polinomiali sulle feature di input possono linearizzare la relazione, rendendola più adatta a un modello lineare. 3. Sostituire il modello lineare con un modello non lineare: Modelli intrinsecamente non lineari (come alberi decisionali, reti neurali o SVM con kernel non lineari) sono progettati per catturare relazioni complesse e non lineari che un modello lineare non può gestire. Le opzioni di sottocampionamento o compensazione dei valori non risolvono il problema fondamentale della non linearità e potrebbero introdurre bias o perdere informazioni importanti.