Компания создает классификатор для оценки ежемесячных показателей продаж (от 1 до 5) за последние 20 лет. Набор данных включает месяц, регион продаж, общие региональные продажи и количество магазинов. Два месяца в году показывают стабильно высокие общие продажи (сезонные пики). После one-hot кодирования категориальных признаков и обучения точность модели на валидационном наборе оказалась хуже ожидаемой. Какой шаг, скорее всего, улучшит точность валидации?

Стратифицированное разделение на обучающую/валидационную выборки сохраняет пропорции классов или категориальных признаков в каждой выборке. В данном случае, месяцы с сезонными пиками продаж и различные регионы продаж могут иметь уникальные паттерны. Если эти паттерны не представлены равномерно в обучающей и валидационной выборках, модель может плохо обобщаться. Стратификация по месяцу и региону гарантирует, что обе выборки адекватно отражают эти важные распределения, улучшая оценку производительности модели и её способность к обобщению. Удаление выбросов может привести к потере ценной информации, особенно если выбросы являются частью реальных сезонных пиков. Глобальная или региональная нормализация общих продаж может быть полезной, но не решает проблему несбалансированного распределения критических категориальных признаков между выборками, что является более фундаментальной причиной низкой точности валидации в данном сценарии.