Firma zajmująca się grami free-to-play musi przewidzieć, czy nowy użytkownik stanie się płacącym klientem w ciągu jednego roku. Oznaczony zbiór treningowy zawiera 1000 pozytywnych przykładów i 999 000 negatywnych przykładów (łącznie 1 000 000) z 200 cechami. Las losowy osiągnął ponad 99% dokładności na zbiorze treningowym, ale słabo radzi sobie na zbiorze testowym. Jakie działania powinien podjąć zespół, aby rozwiązać ten problem? (Wybierz dwie.)

Problem wskazuje na nadmierne dopasowanie (overfitting) modelu, co jest typowe dla niezrównoważonych zbiorów danych. Random Forest osiągnął wysoką dokładność na zbiorze treningowym, ale słabo radzi sobie na zbiorze testowym. Stworzenie większej liczby pozytywnych przykładów poprzez duplikowanie istniejących i dodanie szumu (np. za pomocą SMOTE) to technika oversamplingu, która pomaga zrównoważyć klasy i zapobiegać nadmiernemu dopasowaniu do klasy dominującej. Modyfikacja funkcji straty w celu silniejszego karania fałszywych negatywów jest kluczowa, ponieważ w tym scenariuszu (przewidywanie płacących klientów) przeoczenie potencjalnego płacącego klienta (fałszywy negatyw) jest prawdopodobnie bardziej kosztowne niż błędne zaklasyfikowanie niepłacącego jako płacącego (fałszywy pozytyw). Zwiększenie liczby drzew lub ich głębokości pogorszyłoby problem nadmiernego dopasowania. Kopiowanie próbek ze zbioru testowego do treningowego jest błędem metodologicznym, który prowadzi do zafałszowanych wyników. Karanie fałszywych pozytywów silniej niż fałszywych negatywów byłoby niewłaściwe w tym kontekście biznesowym.