Un'azienda di giochi free-to-play deve prevedere se un nuovo utente diventerà un cliente pagante entro un anno. Il set di training etichettato contiene 1.000 esempi positivi e 999.000 esempi negativi (1.000.000 totali) con 200 feature. Una random forest ha raggiunto un'accuratezza >99% sul set di training ma si comporta male sul set di test. Quali azioni dovrebbe intraprendere il team per risolvere questo problema? (Scegliere due.)

L'accuratezza elevata sul training set e le scarse prestazioni sul test set indicano overfitting e uno squilibrio di classe. Duplicare gli esempi positivi e aggiungere rumore (oversampling) aiuta a bilanciare il dataset, fornendo al modello più dati sui casi rari e riducendo l'overfitting. Modificare la funzione di perdita per penalizzare maggiormente i falsi negativi è cruciale perché, in questo scenario, mancare un potenziale cliente pagante (falso negativo) è probabilmente più costoso che classificare erroneamente un non pagante come pagante (falso positivo). Aumentare il numero o la profondità degli alberi aggraverebbe l'overfitting. Copiare campioni dal test set nel training set è una pratica scorretta che invalida la valutazione del modello. Penalizzare i falsi positivi più pesantemente dei falsi negativi andrebbe contro l'obiettivo di identificare i clienti paganti.