A aplicação de técnicas de criação de features, como a interação entre variáveis, e em seguida a divisão do conjunto de dados em três partes: treinamento, validação e teste, utilizando 70% para treinamento, 15% para validação e 15% para teste, assegurando, com isso, que os três conjuntos sejam desbalanceados para refletir a distribuição real dos dados.

A aplicação de transformações matemáticas, como a normalização, apenas no conjunto de teste, para evitar a distorção das variáveis de entrada, e a divisão dos dados restantes igualmente entre treinamento e validação.

A realização da técnica de amostragem estratificada para dividir os dados entre treinamento, validação e teste, e em seguida a aplicação da transformação de raiz quadrada em todas as variáveis para aumentar a variância das features, garantindo que o modelo capture melhor os padrões nos dados.

A realização da transformação logarítmica em todas as variáveis categóricas antes de realizar a divisão dos dados, e a garantia de que o conjunto de validação seja maior que o de treinamento para prevenir overfitting.

A realização da seleção de features com a utilização de técnicas de análise de correlação, descartando as variáveis altamente correlacionadas, e a aplicação da divisão dos dados em conjuntos de treinamento e teste usando uma divisão 80/20, aplicando a validação cruzada (cross-validation) para ajustar os hiperparâmetros do modelo.