Utilizzando XGBoost di SageMaker, un modello di rilevamento frodi si adatta molto bene ai dati di training, ma non riesce a rilevare le frodi su transazioni nuove e mai viste. Quale modifica dovrebbe apportare l'ingegnere ML per migliorare la generalizzazione a nuove transazioni?

Il modello si adatta molto bene ai dati di training ma fallisce su dati nuovi, indicando un overfitting. Diminuire l'iperparametro maxdepth riduce la profondità massima degli alberi decisionali in XGBoost, rendendo il modello meno complesso e meno propenso a memorizzare il rumore nei dati di training. Questo migliora la sua capacità di generalizzare a transazioni mai viste. Aumentare il learning rate o maxdepth aumenterebbe ulteriormente l'overfitting. Rimuovere feature irrilevanti può aiutare, ma diminuire maxdepth è una soluzione più diretta e potente per l'overfitting in questo contesto.