DetectEye gestisce un modello di frode con una classe positiva dello 0,3% e prevede di addestrare un modello XGBoost su SageMaker. Vogliono affrontare il grave squilibrio di classe preservando il più possibile il segnale ed evitando l'amplificazione del rumore delle etichette. Quali DUE interventi sono più appropriati da provare per primi in questo contesto di produzione?

L'applicazione di SMOTE è appropriata perché affronta lo squilibrio di classe sintetizzando nuovi esempi per la classe minoritaria, preservando il segnale esistente ed evitando la perdita di informazioni che si verificherebbe con il sottocampionamento casuale. L'implementazione in un SageMaker Processing job consente una pre-elaborazione scalabile. L'impostazione di scaleposweight in XGBoost è una tecnica comune ed efficace per i problemi di classificazione sbilanciati. Assegna un peso maggiore agli esempi della classe positiva durante l'addestramento, consentendo al modello di prestare maggiore attenzione alla classe minoritaria senza alterare la distribuzione dei dati o introdurre rumore. Il sottocampionamento casuale della classe maggioritaria scarterebbe una quantità eccessiva di dati (99%), portando a una significativa perdita di informazioni e potenzialmente a un modello meno robusto. L'utilizzo di Athena per la generazione sintetica al momento della query non è una funzionalità standard di Athena e non è un approccio comune per la gestione dello squilibrio di classe. Disabilitare l'early stopping e aumentare il learning rate può portare a overfitting e instabilità del modello, non affrontando direttamente lo squilibrio di classe in modo controllato.