Een retailer heeft een eenvoudig lineair model gebouwd om de verkoop te voorspellen op basis van de prijs, en de residuplot toont een duidelijk niet-lineair patroon. Welke acties moet de ML engineer vervolgens ondernemen om de voorspellingsnauwkeurigheid te verbeteren? (Kies drie.)

Een niet-lineair patroon in de residuplot van een lineair model duidt op een misaanpassing van het model aan de onderliggende relatie in de data. 1. De data splitsen en twee afzonderlijke modellen bouwen voor verschillende regio's van de data: Dit is effectief als de niet-lineariteit voortkomt uit verschillende relaties in verschillende delen van de data. Het bouwen van aparte modellen kan de nauwkeurigheid verbeteren door elke subgroep beter te modelleren. 2. De inputfeatures inspecteren en waar nodig geschikte niet-lineaire transformaties toepassen: Door transformaties zoals logaritmische of polynomiale transformaties toe te passen op de inputfeatures, kan een lineair model alsnog niet-lineaire relaties vastleggen, wat de residuplot kan lineariseren. 3. Het lineaire model vervangen door een niet-lineair model: Dit is een directe aanpak. Als de relatie inherent niet-lineair is, zal een model dat van nature niet-lineaire patronen kan leren (zoals beslissingsbomen, random forests of neurale netwerken) waarschijnlijk betere prestaties leveren. De andere opties zijn minder effectief: Downsamplen vermindert de hoeveelheid data, wat vaak leidt tot een slechter presterend model, tenzij er sprake is van oversampling of onbalans. Inputwaarden compenseren met een constante verandert de relatie niet fundamenteel en zal het niet-lineaire patroon niet oplossen.