Bir perakendeci, fiyattan satışları tahmin etmek için basit bir doğrusal model oluşturdu ve artık (residual) grafiği açıkça doğrusal olmayan bir örüntü gösteriyor. Tahmin doğruluğunu artırmak için ML mühendisi sonraki hangi eylemleri yapmalıdır? (Üç tane seçin.)

Artık grafiğindeki doğrusal olmayan örüntü, mevcut doğrusal modelin verideki karmaşık ilişkileri yakalayamadığını gösterir. 1. Veriyi bölün ve verinin farklı bölgeleri için iki ayrı model oluşturun: Bu, verideki farklı doğrusal olmayan eğilimleri yakalamak için etkili bir stratejidir. Örneğin, fiyatın belirli bir eşiğin altında ve üstünde satışlar üzerinde farklı etkileri olabilir. 2. Girdi özelliklerini inceleyin ve gerektiğinde uygun doğrusal olmayan dönüşümler uygulayın: Fiyat gibi girdi özelliklerine logaritmik, karekök veya polinom dönüşümleri uygulamak, doğrusal modelin doğrusal olmayan ilişkileri daha iyi yakalamasına yardımcı olabilir. 3. Doğrusal modeli doğrusal olmayan bir modelle değiştirin: Artık grafiği güçlü bir doğrusal olmayanlık gösteriyorsa, karar ağaçları, rastgele ormanlar veya sinir ağları gibi doğal olarak doğrusal olmayan ilişkileri modelleyebilen bir modele geçmek en doğrudan çözümdür. Diğer seçenekler: Veri setini küçültmek (downsample) genellikle modelin öğrenme yeteneğini azaltır ve doğruluğu düşürebilir, özellikle zaten doğrusal olmayan bir ilişki varken. Belirli bir fiyat aralığındaki veriyi küçültmek veya girdi değerlerini ofsetlemek, temel sorunu çözmez ve modelin performansını iyileştirmez.