Firma obsługująca karty kredytowe musi wykrywać oszukańcze transakcje w czasie rzeczywistym. Oznaczony historyczny zbiór danych (oszukańcze vs. legalne) jest przechowywany w Amazon S3. Po usunięciu brakujących wartości, analityk danych trenuje klasyfikator XGBoost w Amazon SageMaker. Metryki modelu to: TPR 0.700, FNR 0.300, TNR 0.977, FPR 0.023 i ogólna dokładność 0.949. Jakie działanie powinien podjąć analityk danych, aby poprawić wydajność modelu, biorąc pod uwagę widoczną nierównowagę klas?

Wykrywanie oszustw to problem niezrównoważonych klas, gdzie transakcje oszukańcze (klasa mniejszościowa) są znacznie rzadsze niż legalne. Niska wartość TPR (0.700) i wysoka FNR (0.300) wskazują, że model ma trudności z poprawnym identyfikowaniem oszukańczych transakcji. SMOTE (Synthetic Minority Oversampling Technique) tworzy syntetyczne próbki klasy mniejszościowej, zwiększając jej reprezentację w zbiorze treningowym. Dzięki temu model może lepiej nauczyć się wzorców związanych z oszustwami, poprawiając TPR i zmniejszając FNR. Zastosowanie SMOTE do klasy większościowej lub zmniejszenie próbkowania klasy mniejszościowej pogorszyłoby problem niezrównoważenia. Zwiększenie próbkowania klasy większościowej również by go pogłębiło.