한 소매 ML 전문가는 10년간의 과거 일일 판매 데이터를 사용하여 매장의 일일 판매를 예측하고 있습니다. 약 5%의 날짜에 누락된 값이 있습니다. 예측 오류는 계절적 이벤트 주변에서 가장 높으며, 예측은 지속적으로 편향되어 있습니다. 모델 성능을 개선하기 위해 전문가는 어떤 두 가지 조치를 취해야 할까요? (두 가지 선택)

정답은 모델의 예측 오류가 계절적 이벤트 주변에서 가장 높고 예측이 지속적으로 편향되어 있다는 문제 설명에 직접적으로 대응합니다. 1. 매장의 판매 기간(예: 공휴일, 프로모션 또는 특별 이벤트)을 설명하는 특성을 데이터 세트에 추가합니다. 계절적 이벤트 주변에서 높은 예측 오류가 발생하므로, 이러한 이벤트를 명시적 특성으로 추가하면 모델이 판매량에 미치는 영향을 학습하여 예측 정확도를 높일 수 있습니다. 2. 계절 변동을 보정하기 위해 스무딩 또는 모델링 기법을 적용합니다. 예측이 지속적으로 편향되어 있고 계절적 패턴이 문제의 원인이므로, 계절성을 명시적으로 처리하는 시계열 모델링 기법(예: ARIMA, Prophet)이나 스무딩 기법을 적용하면 모델이 계절적 패턴을 더 잘 포착하고 편향을 줄일 수 있습니다. 오답 설명: 인근 매장의 판매 수치를 집계하여 데이터 볼륨을 늘립니다. 이 방법은 데이터 볼륨을 늘릴 수 있지만, 현재 문제의 근본 원인인 계절적 편향이나 특정 이벤트의 영향을 직접적으로 해결하지 못합니다. 노이즈를 줄이기 위해 예측 빈도를 일별에서 주별로 변경합니다. 예측 빈도를 변경하면 단기적인 노이즈는 줄일 수 있지만, 계절적 이벤트 주변의 높은 오류나 지속적인 편향 문제를 해결하지 못하며, 일별 예측이 필요한 경우 적합하지 않습니다. 선형 보간법을 사용하여 누락된 값을 채웁니다. 누락된 값 처리는 중요하지만, 문제의 주요 원인인 계절적 편향이나 이벤트 관련 오류를 직접적으로 해결하지 못합니다. 5%의 누락된 값은 모델 성능에 영향을 미치지만, 현재 문제의 핵심은 아닙니다.