Bir şirket, son 20 yıla ait aylık satış performansını (1-5) derecelendirmek için bir sınıflandırıcı oluşturuyor. Veri seti ay, satış bölgesi, bölgesel toplam satışlar ve mağaza sayısını içeriyor. Her yıl iki ayda sürekli olarak yüksek toplam satışlar (mevsimsel zirveler) görülüyor. Kategorik özellikleri one-hot encoding ile kodlayıp modeli eğittikten sonra, doğrulama setindeki model doğruluğu beklenenden daha kötü. Doğrulama doğruluğunu en olası şekilde artıracak adım hangisidir?

Doğru cevap, "Ay ve satış bölgesi dağılımlarını koruyan katmanlı bir eğitim/doğrulama ayrımı kullanın" seçeneğidir. Modelin doğruluğunun beklenenden düşük olması, veri setindeki mevsimsel zirveler ve bölgesel farklılıklar nedeniyle eğitim ve doğrulama setlerinin dengesiz dağılmış olabileceğini düşündürmektedir. Katmanlı örnekleme, ay ve satış bölgesi gibi önemli kategorik özelliklerin dağılımını eğitim ve doğrulama setlerinde koruyarak, modelin genelleme yeteneğini artırır ve bu tür dengesizliklerden kaynaklanan performans düşüşlerini önler. Diğer seçenekler neden yanlış: Aykırı değerleri kaldırmak her zaman en iyi çözüm değildir ve değerli bilgilerin kaybına yol açabilir. Toplam satışları global veya bölgesel olarak normalleştirmek, modelin ölçek farklılıklarıyla başa çıkmasına yardımcı olsa da, veri dağılımındaki dengesizlikleri doğrudan ele almaz ve bu durumda ana sorun olmayabilir.