Una empresa de tarjetas de crédito necesita detectar transacciones fraudulentas en tiempo real. Un conjunto de datos históricos etiquetados (fraude vs. legítimo) se almacena en Amazon S3. Después de eliminar los valores faltantes, un científico de datos entrena un clasificador XGBoost en Amazon SageMaker. Las métricas del modelo son: TPR 0.700, FNR 0.300, TNR 0.977, FPR 0.023 y una precisión general de 0.949. ¿Qué acción debe tomar el científico de datos para mejorar el rendimiento del modelo dada la aparente descompensación de clases?

El problema describe un escenario de detección de fraude, donde las transacciones fraudulentas (clase minoritaria) son mucho menos frecuentes que las legítimas (clase mayoritaria). Las métricas del modelo (TPR 0.700, TNR 0.977) indican que el modelo es bueno detectando transacciones legítimas, pero tiene un FNR (tasa de falsos negativos) del 0.300, lo que significa que no detecta el 30% de las transacciones fraudulentas. Esto es crítico en la detección de fraude. SMOTE (Synthetic Minority Oversampling Technique) es una técnica eficaz para abordar el desequilibrio de clases al crear instancias sintéticas de la clase minoritaria, lo que ayuda al modelo a aprender mejor sus patrones. Aplicar SMOTE a la clase minoritaria (fraude) es la acción correcta para mejorar la detección de fraude. Aplicar SMOTE a la clase mayoritaria o submuestrear la clase minoritaria empeoraría el desequilibrio o eliminaría datos valiosos. Sobremuestrear la clase mayoritaria también es incorrecto, ya que agravaría el desequilibrio.