Hai creato un modello XGBoost per prevedere se un cliente restituirà un acquisto. Solo il 5% degli esempi sono resi. Devi massimizzare il rilevamento degli articoli restituiti lavorando con un budget di calcolo ridotto. Qual è l'approccio di ottimizzazione degli iperparametri più conveniente?

Questa è la scelta più conveniente perché affronta efficacemente il problema dello sbilanciamento delle classi e l'obiettivo di massimizzare il rilevamento dei resi con un budget di calcolo limitato. Poiché solo il 5% degli esempi sono resi (una classe minoritaria), l'ottimizzazione di classweight o scaleposweight è cruciale per XGBoost per dare maggiore importanza alla classe minoritaria, prevenendo che il modello la ignori. La metrica F1-score è appropriata per dataset sbilanciati perché considera sia la precisione che il richiamo, fornendo una misura più bilanciata delle prestazioni del modello rispetto all'accuratezza, che può essere fuorviante in questi casi. Ottimizzare solo questi iperparametri specifici riduce significativamente il tempo e le risorse computazionali rispetto all'ottimizzazione di tutti i possibili iperparametri.