Sprzedawca detaliczny zbudował prosty model liniowy do przewidywania sprzedaży na podstawie ceny, a wykres reszt wskazuje na wyraźny nieliniowy wzorzec. Jakie działania powinien podjąć inżynier ML, aby poprawić dokładność przewidywań? (Wybierz trzy.)

Wykres reszt wskazujący na wyraźny nieliniowy wzorzec oznacza, że model liniowy nie jest w stanie uchwycić złożonych zależności w danych. 1. Podzielić dane i zbudować dwa oddzielne modele dla różnych regionów danych: Jeśli nieliniowość jest obserwowana w różnych segmentach danych (np. dla różnych zakresów cen), zbudowanie oddzielnych modeli dla tych segmentów może pozwolić każdemu modelowi lepiej dopasować się do specyficznych wzorców w swoim regionie. 2. Sprawdzić cechy wejściowe i zastosować odpowiednie transformacje nieliniowe tam, gdzie jest to potrzebne: Transformacje takie jak logarytm, pierwiastek kwadratowy, czy podniesienie do potęgi mogą pomóc przekształcić nieliniowe relacje w bardziej liniowe, co pozwoli modelowi liniowemu lepiej je uchwycić. 3. Zastąpić model liniowy modelem nieliniowym: Modele nieliniowe, takie jak drzewa decyzyjne, lasy losowe, maszyny wektorów nośnych (SVM) z jądrem nieliniowym, czy sieci neuronowe, są z natury zdolne do modelowania złożonych, nieliniowych zależności w danych. Pozostałe opcje są nieprawidłowe, ponieważ zmniejszanie próbkowania (jednolicie lub selektywnie) bez uzasadnienia problemem z nadmiernym dopasowaniem lub nierównowagą klas, a także przesunięcie wartości wejściowych o stałą, nie rozwiązują problemu nieliniowości i mogą prowadzić do utraty informacji lub zniekształcenia danych.