데이터 과학자가 사기성 금융 거래를 플래그 지정하기 위해 XGBoost 모델을 훈련했습니다. 훈련 세트는 매우 불균형합니다(비사기성 100,000건 대 사기성 1,000건). 검증 결과 모델은 99.1%의 정확도를 보이지만 오탐(사기성 거래를 비사기성으로 예측)이 너무 많습니다. 오탐을 줄이기 위해 데이터 과학자가 취해야 할 두 가지 조치는 무엇입니까?

이 시나리오에서 모델은 높은 정확도에도 불구하고 사기성 거래를 비사기성으로 잘못 예측하는 오탐(False Negatives)이 많습니다. 이는 데이터 불균형 때문입니다. 1. XGBoost의 scaleposweight를 늘려 양성(사기) 예시에 더 많은 가중치를 부여합니다. 데이터 불균형이 심할 때 scaleposweight를 늘리면 소수 클래스(사기)에 더 큰 페널티를 부여하여 모델이 이를 더 잘 학습하고 오탐을 줄이는 데 도움이 됩니다. 2. XGBoost의 evalmetric을 AUC(Area Under the ROC Curve)를 최적화하도록 변경합니다. 정확도는 불균형 데이터셋에서 오해의 소지가 있습니다. AUC는 분류 임계값에 관계없이 모델의 전반적인 성능을 평가하며, 특히 불균형 데이터셋에서 오탐과 오분류를 모두 고려하여 모델의 변별력을 더 잘 나타냅니다. RMSE는 회귀 문제에 사용되는 지표입니다. maxdepth를 늘리거나 줄이는 것은 과소적합 또는 과대적합 문제에 대한 해결책이지만, 현재 문제는 데이터 불균형으로 인한 오탐이므로 직접적인 해결책이 아닙니다.