Een ML-specialist moet de dagelijkse verkoop voor één winkel voorspellen met behulp van 10 jaar aan historische dagelijkse verkoopgegevens. Ongeveer 10% van de dagen in de historische gegevens heeft ontbrekende verkoopwaarden. Het voorspellingsmodel presteert ondermaats. Welke actie zal de modelprestaties waarschijnlijk het meest verbeteren?

Het aanvullen van ontbrekende dagelijkse verkoopwaarden met lineaire interpolatie zal de modelprestaties waarschijnlijk het meest verbeteren. Met 10% ontbrekende gegevens over een periode van 10 jaar, is het cruciaal om deze gaten op te vullen om de continuïteit en volledigheid van de tijdreeksgegevens te waarborgen. Lineaire interpolatie is een geschikte methode voor tijdreeksgegevens, omdat het de ontbrekende waarden schat op basis van de omliggende bekende waarden, wat helpt om de onderliggende trends en seizoenspatronen te behouden. Het aggregeren van verkoop over winkels is niet relevant voor het voorspellen van één winkel. Smoothing kan seizoensvariatie corrigeren, maar pakt het fundamentele probleem van ontbrekende gegevens niet aan, wat de basis van het model kan verstoren. Het wijzigen van de voorspellingsfrequentie naar wekelijks vermindert de granulariteit en verbergt mogelijk belangrijke dagelijkse patronen, en lost evenmin het probleem van ontbrekende gegevens op.