Компании, выпускающей кредитные карты, необходимо обнаруживать мошеннические транзакции в режиме реального времени. Маркированный исторический набор данных (мошеннические против легитимных) хранится в Amazon S3. После удаления пропущенных значений специалист по данным обучает классификатор XGBoost в Amazon SageMaker. Метрики модели: TPR 0.700, FNR 0.300, TNR 0.977, FPR 0.023 и общая точность 0.949. Какое действие должен предпринять специалист по данным для улучшения производительности модели, учитывая явный дисбаланс классов?

Правильный ответ — применить SMOTE к миноритарному (мошенническому) классу. Мошенничество с кредитными картами — это задача с сильно несбалансированными классами, где мошеннические транзакции (миноритарный класс) встречаются гораздо реже, чем легитимные (мажоритарный класс). Низкий TPR (0.700) и высокий FNR (0.300) указывают на то, что модель плохо обнаруживает мошеннические транзакции, что критично для кредитных карт. SMOTE создает синтетические образцы миноритарного класса, помогая модели лучше изучить его характеристики и улучшить обнаружение мошенничества. Применение SMOTE к мажоритарному классу или увеличение его выборки только усугубит дисбаланс. Уменьшение выборки миноритарного класса приведет к потере ценных данных и еще большему ухудшению производительности.