使用 SageMaker 的 XGBoost，一个欺诈检测模型非常适合训练数据，但未能检测到新的、未见过的交易中的欺诈。ML 工程师应该做出什么改变来改进对新交易的泛化能力？

模型在训练数据上表现良好，但在新数据上表现不佳，这表明模型过拟合。减小 maxdepth 超参数会限制每棵树的深度，从而降低模型的复杂度。这有助于防止模型学习到训练数据中的噪声和特有模式，从而提高其对未见过数据的泛化能力。增加学习率可能会导致模型更快地收敛，但不能直接解决过拟合问题。删除与预测无关的特征是特征工程的一部分，虽然有助于提高模型性能，但不是直接解决过拟合的超参数调整方法。增加 maxdepth 会使树更深，模型更复杂，反而会加剧过拟合。