Você construiu um modelo XGBoost para prever se um cliente devolverá uma compra. Apenas 5% dos exemplos são devoluções. Você deve maximizar a detecção de itens devolvidos enquanto trabalha com um orçamento de computação pequeno. Qual é a abordagem de ajuste de hiperparâmetros mais econômica?

A classe minoritária (devoluções) é o foco, e o conjunto de dados é desbalanceado (apenas 5% são devoluções). O F1-score é a métrica ideal para otimizar nesses casos, pois considera tanto a precisão quanto o recall, sendo mais robusto que a acurácia para classes desbalanceadas. Ajustar apenas classweight e scaleposweight é a abordagem mais econômica, pois esses hiperparâmetros são cruciais para lidar com o desbalanceamento de classes no XGBoost e têm um impacto significativo no desempenho do modelo sem exigir muitos recursos computacionais. Otimizar para validation:f1 (minimizar) seria incorreto, pois o objetivo é maximizar a detecção de devoluções. Ajustar todos os hiperparâmetros possíveis seria computacionalmente caro e desnecessário, dado o orçamento limitado.