Ein Betrugserkennungsmodell, das SageMaker XGBoost verwendet, passt sehr gut zu den Trainingsdaten, kann aber Betrug bei neuen, ungesehenen Transaktionen nicht erkennen. Welche Änderung sollte der ML-Ingenieur vornehmen, um die Generalisierung auf neue Transaktionen zu verbessern?

Das Modell überpasst die Trainingsdaten, was bedeutet, dass es zu komplex ist und das Rauschen in den Trainingsdaten gelernt hat, anstatt die zugrunde liegende Beziehung. Dies führt zu einer schlechten Generalisierung auf neue, ungesehene Daten. Die Reduzierung von maxdepth verringert die Komplexität der einzelnen Bäume im XGBoost-Modell und hilft, das Überanpassen zu mindern. Das Erhöhen der Lernrate würde das Modell schneller konvergieren lassen, aber nicht unbedingt die Generalisierung verbessern, und könnte sogar zu einem weiteren Überanpassen führen, wenn die Lernrate zu hoch ist. Das Entfernen irrelevanter Features kann zwar nützlich sein, ist aber nicht die primäre Maßnahme bei einem offensichtlichen Überanpassen, das durch zu hohe Modellkomplexität verursacht wird. Das Erhöhen von maxdepth würde die Baumkomplexität weiter erhöhen und das Überanpassen verschlimmern.