Bir perakende ML uzmanı, 10 yıllık geçmiş günlük satış verilerini kullanarak bir mağazanın günlük satışlarını tahmin ediyor. Günlerin yaklaşık %5'inde eksik değerler bulunuyor. Tahmin hataları, tahminlerin sürekli olarak yanlı olduğu mevsimsel olaylar civarında en yüksek seviyede. Uzman, model performansını iyileştirmek için hangi iki eylemi yapmalıdır? (İki tane seçin.)

Doğru cevaplar, modelin mevsimsel olaylar etrafındaki sürekli yanlı tahmin hatalarını doğrudan ele alır. Tatiller, promosyonlar veya özel etkinlikler gibi satış dönemlerini açıklayan özellikler eklemek, modelin bu olayların satışlar üzerindeki etkisini öğrenmesine olanak tanır. Mevsimsel varyasyonu düzeltmek için düzeltme veya modelleme teknikleri uygulamak (örneğin, mevsimsel dekompozisyon veya mevsimsel bileşenleri olan modeller kullanmak), modelin temel eğilimi mevsimsel dalgalanmalardan ayırmasına yardımcı olur ve bu da daha doğru tahminler sağlar. Yakındaki mağazalardaki satış verilerini birleştirmek, veri hacmini artırsa da, mevcut modelin mevsimsel yanlılığını doğrudan gidermez. Tahmin sıklığını günlükten haftalığa değiştirmek, ayrıntı düzeyini azaltır ve önemli günlük varyasyonları gözden kaçırabilir. Eksik değerleri doğrusal interpolasyon kullanarak doldurmak, eksik verileri ele alsa da, modelin mevsimsel yanlılığını çözmez.