Un'azienda di carte di credito deve rilevare transazioni fraudolente in tempo reale. Un dataset storico etichettato (frode vs. legittimo) è archiviato in Amazon S3. Dopo aver rimosso i valori mancanti, un data scientist addestra un classificatore XGBoost in Amazon SageMaker. Le metriche del modello sono: TPR 0.700, FNR 0.300, TNR 0.977, FPR 0.023 e accuratezza complessiva 0.949. Quale azione dovrebbe intraprendere il data scientist per migliorare le prestazioni del modello data l'apparente sbilanciamento delle classi?

Il dataset presenta uno sbilanciamento di classe, indicato da un'accuratezza complessiva elevata (0.949) nonostante un FNR (False Negative Rate) del 0.300 per la classe di frode. Questo significa che il modello non rileva un numero significativo di frodi, il che è critico in questo contesto. SMOTE (Synthetic Minority Oversampling Technique) è una tecnica efficace per affrontare lo sbilanciamento delle classi, creando istanze sintetiche della classe minoritaria (frode) per bilanciare il dataset di training. Questo aiuta il modello a imparare meglio le caratteristiche della classe minoritaria e a migliorare la sua capacità di rilevarla. Applicare SMOTE alla classe maggioritaria o sottocampionare la classe minoritaria peggiorerebbe lo sbilanciamento o ridurrebbe ulteriormente i dati disponibili per la classe di interesse.