あるクレジットカード会社は、不正な取引をリアルタイムで検出する必要があります。ラベル付けされた過去のデータセット（不正と正当）はAmazon S3に保存されています。欠損値を除去した後、データサイエンティストはAmazon SageMakerでXGBoost分類器をトレーニングします。モデルのメトリクスは、TPR 0.700、FNR 0.300、TNR 0.977、FPR 0.023、全体的な精度0.949です。明らかなクラスの不均衡を考慮して、モデルのパフォーマンスを向上させるためにデータサイエンティストが取るべき行動は何ですか？

クラス不均衡がある場合、モデルは多数派クラスに偏りがちです。不正取引検出のようなシナリオでは、不正（マイノリティ）クラスの検出が非常に重要です。SMOTEは、マイノリティクラスの合成サンプルを生成することで、データセットのバランスを取り、モデルがマイノリティクラスからより良く学習できるようにします。これにより、不正取引の検出率（TPR）が向上し、全体的なモデルパフォーマンスが改善される可能性が高まります。多数派クラスにSMOTEを適用すると不均衡が悪化し、マイノリティクラスのアンダーサンプリングは重要な情報を失う可能性があります。多数派クラスのオーバーサンプリングは、不均衡を悪化させます。