一位零售 ML 專家正在使用 10 年的歷史每日銷售數據來預測商店的每日銷售額。大約 5% 的天數有缺失值。預測誤差在季節性事件前後最高，且預測結果始終存在偏差。專家應該採取哪兩項行動來嘗試改善模型效能？（請選擇兩項。）

新增描述商店銷售期間的特徵（例如假日、促銷、特殊活動）有助於模型捕捉這些事件對銷售的影響，因為預測誤差在季節性事件前後最高，這表明模型未能充分考慮這些因素。應用平滑或建模技術來校正季節性變化可以直接解決預測始終存在偏差的問題，並改善模型對季節性模式的理解。彙總附近商店的銷售數據可能引入不相關的噪音，且不直接解決季節性誤差和偏差問題。將預測頻率更改為每週會丟失每日數據的細節，可能無法解決根本的預測偏差。使用線性插值法填補缺失值是處理缺失數據的合理方法，但它不直接解決季節性誤差或預測偏差問題，且題目中缺失值僅佔5%，影響較小。