Une société de cartes de crédit doit détecter les transactions frauduleuses en temps réel. Un jeu de données historiques étiquetées (fraude vs. légitime) est stocké dans Amazon S3. Après avoir supprimé les valeurs manquantes, un data scientist entraîne un classifieur XGBoost dans Amazon SageMaker. Les métriques du modèle sont : TPR 0,700, FNR 0,300, TNR 0,977, FPR 0,023, et une précision globale de 0,949. Quelle action le data scientist devrait-il entreprendre pour améliorer les performances du modèle étant donné le déséquilibre apparent des classes ?

La détection de fraude est un problème de classification déséquilibré, où les transactions frauduleuses (classe minoritaire) sont rares. Les métriques indiquent un déséquilibre : un TPR de 0,700 signifie que 70% des fraudes sont détectées, mais un FPR de 0,023 indique que seulement 2,3% des transactions légitimes sont incorrectement signalées. L'exactitude globale élevée (0,949) peut être trompeuse car elle est dominée par la classe majoritaire. Pour améliorer la détection de la classe minoritaire sans nuire excessivement à la classe majoritaire, il faut augmenter la représentation de la classe minoritaire. SMOTE est une technique d'oversampling synthétique qui génère de nouveaux échantillons pour la classe minoritaire, aidant le modèle à mieux apprendre ses caractéristiques. Appliquer SMOTE à la classe majoritaire ou sous-échantillonner la classe minoritaire réduirait encore plus la représentation des fraudes, ce qui est contre-productif. Sur-échantillonner la classe majoritaire aggraverait le déséquilibre.