Um cientista de dados treinou um modelo XGBoost para sinalizar transações financeiras fraudulentas. O conjunto de treinamento é altamente desbalanceado (100.000 não fraudulentas vs. 1.000 fraudulentas). Na validação, o modelo mostra 99,1% de acurácia, mas muitos falsos negativos (transações fraudulentas previstas como não fraudulentas). Quais duas ações o cientista de dados deve tomar para reduzir os falsos negativos?

Aumentar o scaleposweight é crucial para lidar com dados desbalanceados, pois atribui maior importância à classe minoritária (fraude) durante o treinamento, penalizando mais os falsos negativos. Isso ajuda o modelo a aprender melhor as características da fraude. Alterar o evalmetric para AUC é benéfico porque a AUC é uma métrica robusta para problemas de classificação desbalanceados, avaliando a capacidade do modelo de distinguir entre as classes em vários limiares, o que é mais relevante do que a acurácia simples em cenários como este. Otimizar o RMSE é inadequado, pois é uma métrica para regressão, não para classificação. Aumentar ou diminuir maxdepth sem análise prévia de underfitting/overfitting pode não resolver o problema de falsos negativos diretamente.