データサイエンティストが、不正な金融取引にフラグを立てるためにXGBoostモデルをトレーニングしました。トレーニングセットは非常に不均衡です（不正でない取引が100,000件、不正な取引が1,000件）。検証では、モデルは99.1%の精度を示しますが、偽陰性（不正な取引が不正でないと予測される）が多すぎます。偽陰性を減らすために、データサイエンティストが取るべき2つのアクションはどれですか？

データセットが不均衡で偽陰性が問題となる場合、scaleposweightを増やすことで、少数クラス（不正取引）の誤分類に対するペナルティを大きくし、モデルがこれをより重視するように学習します。また、精度（accuracy）は不均衡データでは誤解を招く指標であるため、evalmetricをAUCに変更することで、真陽性率と偽陽性率のトレードオフ全体を評価し、モデルの識別能力をより適切に最適化できます。RMSEは回帰問題に用いられ、不適切です。maxdepthの調整は過学習や過少学習の対策ですが、不均衡データによる偽陰性の問題に直接対処するものではありません。