Sie haben ein XGBoost-Modell erstellt, um vorherzusagen, ob ein Kunde einen Kauf zurücksendet. Nur 5 % der Beispiele sind Rücksendungen. Sie müssen die Erkennung zurückgesendeter Artikel maximieren, während Sie mit einem kleinen Rechenbudget arbeiten. Welcher Ansatz zur Hyperparameter-Optimierung ist der kostengünstigste?

Da nur 5 % der Beispiele Rücksendungen sind, liegt ein stark unausgewogenes Dataset vor. Bei unausgewogenen Datasets ist die F1-Score (validation:f1) eine bessere Metrik als die Genauigkeit (validation:accuracy), da sie Präzision und Recall berücksichtigt und somit die Erkennung der Minderheitsklasse (Rücksendungen) maximiert. Um das Rechenbudget zu schonen, sollte man sich auf die wichtigsten Hyperparameter konzentrieren, die das Klassenungleichgewicht direkt adressieren. Dies sind classweight und scaleposweight, die in XGBoost verwendet werden, um die Gewichtung der positiven Klasse anzupassen. Die Optimierung dieser spezifischen Hyperparameter für die Maximierung des F1-Scores ist der kostengünstigste und effektivste Ansatz. Die Optimierung aller möglichen Hyperparameter wäre rechenintensiv und unnötig. Die Minimierung des F1-Scores wäre kontraproduktiv.