Una empresa de juegos free-to-play necesita predecir si un nuevo usuario se convertirá en un cliente de pago en el plazo de un año. El conjunto de entrenamiento etiquetado contiene 1.000 ejemplos positivos y 999.000 ejemplos negativos (1.000.000 en total) con 200 características. Un random forest logró una precisión >99% en el conjunto de entrenamiento, pero funciona mal en el conjunto de prueba. ¿Qué acciones debería tomar el equipo para abordar este problema? (Elija dos).

El problema describe un desequilibrio de clases extremo, donde los ejemplos positivos son muy pocos (1.000) en comparación con los negativos (999.000). Una precisión alta en el conjunto de entrenamiento (99%) pero un bajo rendimiento en el conjunto de prueba es un síntoma clásico de sobreajuste y que el modelo predice predominantemente la clase mayoritaria (negativa). Duplicar ejemplos positivos con ruido (sobremuestreo) ayuda a mitigar el desequilibrio de clases, proporcionando más datos para que el modelo aprenda las características de la clase minoritaria. Modificar la función de pérdida para penalizar más los falsos negativos es crucial porque, en este contexto, un falso negativo (predecir que un usuario no pagará cuando sí lo hará) es probablemente más costoso que un falso positivo. Aumentar la complejidad del modelo (más árboles o profundidad) probablemente empeoraría el sobreajuste. Copiar muestras del conjunto de prueba al de entrenamiento contaminaría la evaluación del modelo. Penalizar más los falsos positivos no es adecuado, ya que el objetivo es identificar a los usuarios de pago.