DetectEye gebruikt een fraudemodel met 0,3% positieve klasse en is van plan een XGBoost-model te trainen op SageMaker. Ze willen ernstige klasse-onbalans aanpakken, terwijl ze zoveel mogelijk signaal behouden en labelruisversterking vermijden. Welke TWEE interventies zijn het meest geschikt om als eerste te proberen in deze productiecontext?

SMOTE is een effectieve techniek voor het omgaan met klasse-onbalans door synthetische voorbeelden van de minderheidsklasse te genereren, wat helpt om het signaal te behouden en labelruis te verminderen. Het gebruik van een SageMaker Processing job is ideaal voor voorverwerking op schaal. Het instellen van scaleposweight in XGBoost is een gangbare en efficiënte methode om de minderheidsklasse zwaarder te wegen tijdens de training, zonder de dataset fysiek te wijzigen. Het willekeurig ondersamplen van de meerderheidsklasse tot een 1:1-verhouding is te extreem en leidt tot aanzienlijk informatieverlies. Athena is een queryservice en geen tool voor synthetische datageneratie. Het uitschakelen van early stopping en het verhogen van de learning rate zijn geen geschikte strategieën voor het aanpakken van klasse-onbalans en kunnen leiden tot overfitten of instabiele training.