DetectEye opera un modelo de fraude con un 0.3% de clase positiva y planea entrenar un modelo XGBoost en SageMaker. Quieren abordar un desequilibrio severo de clases mientras preservan la mayor cantidad de señal posible y evitan la amplificación del ruido de las etiquetas. ¿Cuáles DOS intervenciones son las más apropiadas para probar primero en este contexto de producción?

SMOTE es una técnica efectiva para abordar el desequilibrio de clases al generar ejemplos sintéticos de la clase minoritaria, lo que ayuda a preservar la señal sin amplificar el ruido excesivamente, especialmente cuando se valida la calidad de la muestra. SageMaker Processing es ideal para esto. Establecer scaleposweight en XGBoost es crucial porque ajusta el peso de los ejemplos positivos en la función objetivo, lo que permite al modelo prestar más atención a la clase minoritaria sin alterar la distribución de los datos, lo cual es vital para un desequilibrio severo. Submuestrear la clase mayoritaria a 1:1 descartaría demasiada información valiosa. Usar Athena para generación sintética en tiempo de consulta no es una práctica estándar ni eficiente para el entrenamiento de modelos. Deshabilitar la parada anticipada y aumentar la tasa de aprendizaje puede llevar a un sobreajuste y no aborda directamente el desequilibrio de clases.