Uma empresa de jogos free-to-play precisa prever se um novo usuário se tornará um cliente pagante dentro de um ano. O conjunto de treinamento rotulado contém 1.000 exemplos positivos e 999.000 exemplos negativos (total de 1.000.000) com 200 características. Uma random forest alcançou >99% de acurácia no conjunto de treinamento, mas tem um desempenho ruim no conjunto de teste. Quais ações a equipe deve tomar para resolver esse problema? (Escolha duas.)

O problema descrito é de desequilíbrio de classes, onde a classe negativa é significativamente maior que a positiva. A alta acurácia no conjunto de treinamento, mas o baixo desempenho no conjunto de teste, indica que o modelo está superestimando a classe majoritária (não pagante). Criar mais exemplos positivos duplicando os existentes e adicionando ruído (oversampling) ajuda a balancear o conjunto de dados, fornecendo mais informações sobre a classe minoritária para o modelo aprender. Modificar a função de perda para penalizar falsos negativos mais pesadamente é crucial. Um falso negativo significa que um usuário que se tornaria pagante foi classificado como não pagante, resultando em perda de receita. Penalizar esses erros mais severamente direciona o modelo a ser mais sensível à classe positiva. Aumentar o número ou a profundidade das árvores pode piorar o overfitting. Copiar amostras do conjunto de teste para o treinamento contamina o conjunto de teste e leva a uma avaliação irrealista. Penalizar falsos positivos mais pesadamente seria o oposto do que é necessário, pois faria o modelo evitar classificar como pagante, aumentando os falsos negativos.