DetectEye는 0.3%의 양성 클래스를 가진 사기 모델을 운영하며 SageMaker에서 XGBoost 모델을 훈련할 계획입니다. 그들은 가능한 한 많은 신호를 보존하고 레이블 노이즈 증폭을 피하면서 심각한 클래스 불균형을 해결하고자 합니다. 이 프로덕션 환경에서 가장 먼저 시도하기에 가장 적합한 두 가지 개입은 무엇입니까?

사기 탐지와 같은 심각한 클래스 불균형 시나리오에서는 소수 클래스(사기)의 신호를 보존하는 것이 중요합니다. SMOTE는 훈련 데이터셋에 합성 소수 클래스 샘플을 생성하여 클래스 불균형을 해결하는 효과적인 오버샘플링 기술입니다. SageMaker Processing job에서 이를 적용하면 훈련 전에 데이터 균형을 맞출 수 있습니다. XGBoost의 scaleposweight 파라미터는 소수 클래스에 더 높은 가중치를 부여하여 모델이 소수 클래스 샘플을 올바르게 분류하는 데 더 집중하도록 합니다. 이는 데이터 분포를 변경하지 않고 모델의 학습 동작을 조정하는 강력한 방법입니다. 오답 설명: 다수 클래스를 무작위로 언더샘플링하여 99%를 버리는 것은 너무 많은 정보를 폐기하여 모델 성능을 저하시킬 수 있습니다. Athena에서 SMOTE와 유사한 합성을 쿼리 시 수행하는 것은 복잡하고 비효율적이며, 일반적으로 전처리 단계에서 수행됩니다. 조기 중단을 비활성화하고 학습률을 높이는 것은 모델이 불균형한 데이터에서 소수 클래스 패턴을 학습하는 데