selecione DUAS: A DetectEye opera um modelo de fraude com 0,3% de classe positiva e planeja treinar um modelo XGBoost no SageMaker. Eles querem lidar com o desequilíbrio severo de classes, preservando o máximo de sinal possível e evitando a amplificação do ruído de rótulo. Quais DUAS intervenções são mais apropriadas para tentar primeiro neste contexto de produção?

Aplicar SMOTE é uma técnica eficaz para lidar com o desequilíbrio de classes, pois gera exemplos sintéticos da classe minoritária, aumentando sua representatividade sem perder informações da classe majoritária. Isso ajuda o modelo a aprender melhor os padrões da classe positiva. Definir scaleposweight no XGBoost é outra abordagem robusta. Ele ajusta o peso dos exemplos positivos na função de perda, fazendo com que o modelo preste mais atenção a eles durante o treinamento, sem alterar a distribuição real dos dados, o que é crucial para evitar a amplificação do ruído de rótulo. Subamostrar aleatoriamente a classe majoritária descartaria 99% dos dados, resultando em uma perda significativa de informações e potencialmente levando a um modelo menos robusto. Usar o Athena para geração sintética no momento da consulta não é uma prática padrão para balanceamento de classes e pode introduzir complexidade e latência desnecessárias. Desabilitar a parada antecipada e aumentar a taxa de aprendizado em dados desbalanceados pode levar a overfitting e não aborda diretamente o problema do desequilíbrio de classes.