Een bedrijf bouwt een classifier om de maandelijkse verkoopprestaties (1-5) van de afgelopen 20 jaar te beoordelen. De dataset bevat maand, verkoopregio, regionale totale verkoop en aantal winkels. Twee maanden per jaar vertonen consequent hoge totale verkoop (seizoenspieken). Na one-hot encoding van categorische features en training is de modelnauwkeurigheid op de validatieset slechter dan verwacht. Welke stap zal de validatienauwkeurigheid het meest waarschijnlijk verbeteren?

De dataset bevat seizoenspieken en categorische features zoals maand en verkoopregio. Een gestratificeerde train/validatie-split zorgt ervoor dat de verhoudingen van deze belangrijke features (maand, verkoopregio) in zowel de trainings- als de validatieset behouden blijven. Dit voorkomt dat de validatieset een scheve representatie van de data krijgt, wat de modelprestaties op onzichtbare data beter voorspelbaar maakt en de validatienauwkeurigheid verbetert. Het verwijderen van uitschieters kan nuttig zijn, maar is minder waarschijnlijk de primaire oorzaak van slechte validatienauwkeurigheid in dit scenario, en kan leiden tot verlies van waardevolle informatie. Normalisatie van 'totale verkoop' is een goede praktijk, maar zal de validatienauwkeurigheid niet zo significant verbeteren als een correcte data-splitsing, vooral niet bij scheve verdelingen door seizoensinvloeden.