一位数据科学家训练了一个XGBoost模型来标记欺诈性金融交易。训练集高度不平衡（100,000个非欺诈交易 vs. 1,000个欺诈交易）。在验证时，模型显示99.1%的准确率，但有太多的假阴性（将欺诈交易预测为非欺诈）。数据科学家应该采取哪两项措施来减少假阴性？

此场景中，模型准确率高但假阴性过多，表明模型未能有效识别少数类（欺诈交易）。 增加XGBoost的scaleposweight参数是正确的。这个参数用于处理不平衡数据集，通过增加少数类（欺诈交易）的权重，使模型在训练时更关注这些样本，从而减少假阴性。 将XGBoost的evalmetric更改为优化AUC也是正确的。准确率在高度不平衡数据集中具有误导性，因为它可能很高，即使模型对少数类预测很差。AUC（或AUPRC）是评估不平衡分类模型性能的更稳健指标，优化AUC会促使模型更好地区分正负类，从而减少假阴性。 优化RMSE（均方根误差）不适用于分类问题。增加或减小maxdepth主要用于解决过拟合或欠拟合问题，虽然可能间接影响性能，但并非直接解决假阴性过多的根本方法，特别是在不平衡数据集中。