Ha creado un modelo XGBoost para predecir si un cliente devolverá una compra. Solo el 5% de los ejemplos son devoluciones. Debe maximizar la detección de artículos devueltos mientras trabaja con un presupuesto de cómputo pequeño. ¿Cuál es el enfoque de ajuste de hiperparámetros más rentable?

La opción correcta es ajustar solo los hiperparámetros class-weight y scaleposweight con AMT, optimizando la métrica F1. Dado que solo el 5% de los ejemplos son devoluciones, el conjunto de datos está desequilibrado. class-weight y scaleposweight son cruciales en XGBoost para manejar este desequilibrio, asignando mayor importancia a la clase minoritaria (devoluciones). Optimizar la métrica F1 (que considera precisión y recall) es esencial para maximizar la detección de devoluciones, ya que la precisión por sí sola puede ser engañosa en conjuntos de datos desequilibrados. Ajustar todos los hiperparámetros sería computacionalmente costoso y no tan eficiente para este problema específico. Minimizar F1 iría en contra del objetivo de maximizar la detección.