신용카드 회사는 실시간으로 사기성 거래를 탐지해야 합니다. 레이블이 지정된 과거 데이터 세트(사기 대 합법)는 Amazon S3에 저장됩니다. 누락된 값을 제거한 후 데이터 과학자는 Amazon SageMaker에서 XGBoost 분류기를 훈련합니다. 모델 지표는 TPR 0.700, FNR 0.300, TNR 0.977, FPR 0.023, 전체 정확도 0.949입니다. 명백한 클래스 불균형을 고려할 때 모델 성능을 개선하기 위해 데이터 과학자는 어떤 조치를 취해야 할까요?

클래스 불균형이 있는 데이터셋에서 소수 클래스의 예측 성능을 개선하기 위해 SMOTE(Synthetic Minority Oversampling Technique)를 사용하여 소수 클래스의 합성 샘플을 생성하여 훈련 데이터의 균형을 맞추는 것이 효과적입니다. 사기 탐지 시나리오에서는 사기 거래(소수 클래스)를 정확하게 식별하는 것이 중요하므로, 소수 클래스에 SMOTE를 적용하여 모델이 사기 패턴을 더 잘 학습하도록 돕습니다. 다수 클래스에 SMOTE를 적용하는 것은 불필요하며, 소수 클래스를 언더샘플링하면 중요한 정보를 잃을 수 있습니다. 다수 클래스를 오버샘플링하는 것은 클래스 불균형을 악화시킬 수 있습니다.