一家信用卡公司需要实时检测欺诈性交易。一个带有标签的历史数据集（欺诈与合法）存储在 Amazon S3 中。在移除缺失值后，数据科学家在 Amazon SageMaker 中训练了一个 XGBoost 分类器。模型指标如下：TPR 0.700，FNR 0.300，TNR 0.977，FPR 0.023，总体准确率 0.949。考虑到明显的类别不平衡，数据科学家应该采取哪种措施来提高模型性能？

正确的做法是对训练集中的少数（欺诈）类别应用 SMOTE (Synthetic Minority Oversampling Technique)，然后重新训练模型。 信用卡欺诈检测是一个典型的类别不平衡问题，欺诈交易（少数类）远少于合法交易（多数类）。在这种情况下，模型可能倾向于预测多数类，导致对少数类的识别能力差（如本例中FNR较高）。SMOTE通过生成少数类的新合成样本来平衡数据集，从而帮助模型更好地学习少数类的特征。 对训练集中的多数（合法）类别应用 SMOTE 是错误的，因为这会进一步加剧类别不平衡，使模型更难学习少数类。 对少数类别进行欠采样 是错误的，因为少数类别本身样本量就少，欠采样会丢失宝贵的欺诈信息。 对多数类别进行过采样 也是错误的，过采样多数类别同样会加剧不平衡问题。正确的做法是过采样少数类别或欠采样多数类别。