小売店のMLスペシャリストが、10年間の過去の日次売上データを使用して店舗の日次売上を予測しています。約5%の日で欠損値があります。予測誤差は季節イベントの前後で最も大きく、予測は一貫して偏っています。モデルのパフォーマンスを改善するために、スペシャリストが取るべき2つのアクションはどれですか？（2つ選択してください。）

予測誤差が季節イベントの前後で最も大きく、予測が一貫して偏っているという問題は、モデルが季節性や特殊なイベントの影響を十分に捉えられていないことを示唆しています。 「店舗の販売期間（例：祝日、プロモーション、特別イベント）を記述する特徴量をデータセットに追加する」ことは、イベント情報をモデルに明示的に与えることで、これらの期間の予測精度を向上させ、偏りを減らすのに役立ちます。 「季節変動を補正するために、平滑化またはモデリング手法を適用する」ことは、時系列データに内在する季節パターンをモデルが学習し、予測に反映させることを可能にします。これにより、季節による予測誤差の増大や偏りを効果的に軽減できます。 近隣店舗の売上高の集計は、データ量を増やすことはできますが、必ずしも予測誤差の偏りを解決するとは限りません。予測頻度を日次から週次に変更すると、詳細な日次パターンが失われる可能性があります。線形補間による欠損値の補完は、欠損値が5%と比較的少ないため、モデルのパフォーマンスに大きな影響を与える可能性は低いです。