Ein Unternehmen für kostenlose Spiele muss vorhersagen, ob ein neuer Benutzer innerhalb eines Jahres zu einem zahlenden Kunden wird. Der gelabelte Trainingsdatensatz enthält 1.000 positive Beispiele und 999.000 negative Beispiele (insgesamt 1.000.000) mit 200 Features. Ein Random Forest erreichte eine Genauigkeit von >99 % auf dem Trainingsdatensatz, schneidet aber auf dem Testdatensatz schlecht ab. Welche Maßnahmen sollte das Team ergreifen, um dieses Problem zu beheben? (Wählen Sie zwei.)

Das Problem beschreibt ein stark unausgewogenes Dataset, bei dem das Modell auf dem Trainingsdatensatz über 99 % Genauigkeit erzielt, aber auf dem Testdatensatz schlecht abschneidet. Dies deutet auf Überanpassung und schlechte Generalisierung hin, insbesondere bei der Minderheitsklasse (zahlende Kunden). Das Erstellen von mehr positiven Beispielen durch Duplizieren und Hinzufügen von Rauschen (Oversampling-Techniken wie SMOTE) hilft, das Ungleichgewicht zu reduzieren und dem Modell zu ermöglichen, die Muster der Minderheitsklasse besser zu lernen. Das Modifizieren der Verlustfunktion, um falsch negative Ergebnisse stärker zu bestrafen, ist ebenfalls entscheidend. Ein falsch negatives Ergebnis bedeutet, dass ein potenzieller zahlender Kunde als nicht zahlend klassifiziert wird, was für das Unternehmen einen entgangenen Umsatz bedeutet. Diese Anpassung lenkt das Modell dazu, die Minderheitsklasse besser zu erkennen. Das Erhöhen der Baumzahl oder -tiefe würde die Überanpassung wahrscheinlich verschlimmern. Das Kopieren von Testdaten in Trainingsdaten ist ein Datenleck und führt zu einer unrealistischen Leistungsbewertung. Das stärkere Bestrafen von falsch positiven Ergebnissen wäre kontraproduktiv, da das Hauptproblem die Erkennung der positiven Klasse ist.