Компания, разрабатывающая бесплатные игры, должна предсказать, станет ли новый пользователь платным клиентом в течение одного года. Размеченный обучающий набор содержит 1000 положительных примеров и 999 000 отрицательных примеров (всего 1 000 000) с 200 признаками. Случайный лес достиг точности >99% на обучающем наборе, но плохо работает на тестовом наборе. Какие действия должна предпринять команда для решения этой проблемы? (Выберите два.)

Проблема заключается в несбалансированности классов (1000 положительных против 999 000 отрицательных), что приводит к переобучению на доминирующем классе и плохой производительности на тестовом наборе, несмотря на высокую общую точность. Создание большего количества положительных примеров (например, с помощью SMOTE или аналогичных методов) помогает сбалансировать классы, предоставляя модели больше данных для изучения характеристик редкого класса. Дублирование с добавлением шума — это простой способ аугментации данных. Изменение функции потерь для более сильного наказания ложных отрицаний (когда модель предсказывает, что пользователь не станет платным, хотя он станет) важно, потому что в данном сценарии пропуск потенциального платного клиента может быть более дорогостоящим, чем ошибочное предсказание платного клиента. Это заставляет модель быть более чувствительной к положительному классу. Увеличение количества или глубины деревьев в случайном лесу, скорее всего, усугубит переобучение. Копирование тестовых образцов в обучающий набор является утечкой данных и приведет к нереалистично оптимистичным оценкам производительности. Изменение функции потерь для более сильного наказания ложных срабатываний сделает модель еще менее чувствительной к положительному классу, что противоположно желаемому эффекту.