DetectEyeは、陽性クラスが0.3%の不正モデルを運用しており、SageMakerでXGBoostモデルをトレーニングする予定です。彼らは、可能な限り多くのシグナルを保持し、ラベルノイズの増幅を避けながら、深刻なクラスの不均衡に対処したいと考えています。この本番環境において、最初に試すのに最も適切な介入策を2つ選択してください。

SMOTEは、少数派クラスの合成サンプルを生成することで、クラスの不均衡を効果的に軽減します。これにより、モデルは少数派クラスのパターンをより良く学習できるようになります。ただし、合成サンプルの品質検証は、ノイズの増幅を防ぐために重要です。XGBoostのscaleposweightパラメータは、目的関数において陽性クラスの重みを増加させ、モデルが少数派クラスの誤分類に対してより大きなペナルティを課すようにします。これは、データセットの分布を変更せずにクラスの不均衡に対処する効果的な方法です。 多数派クラスのランダムなアンダーサンプリングは、情報損失のリスクが高く、モデルの汎化能力を低下させる可能性があります。AthenaでのSMOTEのような合成生成は、リアルタイム処理には適しておらず、Feature Storeの設計思想とも異なります。早期停止の無効化や学習率の増加は、モデルの過学習を引き起こす可能性があり、クラス不均衡への直接的な解決策ではありません。