Zbudowano model XGBoost do przewidywania, czy klient zwróci zakup. Tylko 5% przykładów to zwroty. Musisz zmaksymalizować wykrywanie zwróconych przedmiotów, pracując z małym budżetem obliczeniowym. Jakie jest najbardziej opłacalne podejście do strojenia hiperparametrów?

Ponieważ problem dotyczy niezrównoważonych klas (tylko 5% zwrotów), należy zastosować metrykę F1-score, która jest bardziej odpowiednia niż accuracy dla takich scenariuszy, ponieważ uwzględnia zarówno precyzję, jak i kompletność, lepiej oceniając zdolność modelu do identyfikacji rzadkiej klasy. Zatem optymalizacja pod kątem validation:f1 (maksymalizuj) jest właściwa. Hiperparametry classweight i scaleposweight są kluczowe w modelach XGBoost do radzenia sobie z niezrównoważonymi zbiorami danych, poprawiając wykrywanie mniejszościowej klasy. Strojenie tylko tych dwóch hiperparametrów jest najbardziej opłacalne obliczeniowo, ponieważ ogranicza przestrzeń poszukiwań w porównaniu do strojenia wszystkich możliwych hiperparametrów, co byłoby znacznie droższe i czasochłonne. Minimalizowanie F1-score jest nieprawidłowe, ponieważ celem jest poprawa wydajności modelu, a nie jej pogorszenie.