某公司正在建構一個分類器，用於評估過去 20 年的每月銷售業績（1-5 分）。資料集包含月份、銷售區域、區域總銷售額和商店數量。每年有兩個月的總銷售額持續偏高（季節性高峰）。在對類別特徵進行獨熱編碼並訓練之後，模型在驗證集上的準確度不如預期。哪個步驟最有可能提高驗證準確度？

此情境中，資料具有季節性高峰（每月銷售額），且模型在驗證集上的準確度不佳。分層抽樣（stratified sampling）能確保訓練集和驗證集在關鍵特徵（如月份和銷售區域）的分布上與原始資料集保持一致。這對於處理不平衡資料或具有特定模式（如季節性）的資料尤為重要，能避免驗證集未能充分代表整體資料分布的問題，從而提高模型泛化能力和驗證準確度。移除離群值可能改善模型，但若離群值包含重要資訊，則可能適得其反。正規化有助於模型收斂，但對驗證準確度的影響通常不如分層抽樣來得直接和顯著，特別是在資料分布不均的情況下。