DetectEye betreibt ein Betrugsmodell mit 0,3 % positiver Klasse und plant, ein XGBoost-Modell auf SageMaker zu trainieren. Sie möchten ein starkes Klassenungleichgewicht beheben, dabei so viel Signal wie möglich erhalten und die Verstärkung von Label-Rauschen vermeiden. Welche ZWEI Interventionen sind in diesem Produktionskontext am besten geeignet, um sie zuerst auszuprobieren?

Die Anwendung von SMOTE auf den Trainingsdatensatz erhöht die Anzahl der Minderheitsklassenbeispiele synthetisch, ohne die Mehrheitsklasse zu reduzieren. Dies hilft, das Ungleichgewicht zu beheben und gleichzeitig das Signal zu erhalten und Label-Rauschen zu minimieren, da die Qualität der synthetischen Stichproben validiert wird. Die Verwendung von scaleposweight in XGBoost ist eine effektive Methode, um das Modell während des Trainings dazu zu bringen, die Minderheitsklasse stärker zu gewichten, ohne die tatsächliche Datenverteilung zu ändern. Dies ist besonders nützlich, um die Erkennung der seltenen positiven Klasse zu verbessern. Das zufällige Unterabtasten der Mehrheitsklasse würde einen Großteil der Daten verwerfen und damit wertvolle Informationen verlieren. Athena zur synthetischen Generierung zur Abfragezeit ist keine Standardmethode zur Behebung von Klassenungleichgewichten und könnte zu Leistungsproblemen führen. Das Deaktivieren von Early Stopping und das Erhöhen der Lernrate auf unausgewogenen Daten würde das Modell wahrscheinlich überanpassen und die Leistung verschlechtern.