Специалист по данным обучил модель XGBoost для выявления мошеннических финансовых транзакций. Обучающий набор данных сильно несбалансирован (100 000 немошеннических против 1 000 мошеннических). При валидации модель показывает точность 99,1%, но слишком много ложноотрицательных результатов (мошеннические транзакции предсказываются как немошеннические). Какие два действия должен предпринять специалист по данным, чтобы уменьшить количество ложноотрицательных результатов?

Проблема заключается в несбалансированности классов и высокой доле ложноотрицательных результатов, что критично для обнаружения мошенничества. Увеличение scaleposweight в XGBoost (второй вариант) напрямую решает проблему несбалансированных классов, придавая больший вес редким положительным примерам (мошенническим транзакциям). Это побуждает модель уделять больше внимания правильной классификации мошенничества, снижая ложноотрицательные результаты. Изменение evalmetric на AUC (четвертый вариант) также эффективно. AUC является хорошей метрикой для несбалансированных наборов данных, поскольку она оценивает способность модели различать классы при различных порогах классификации, не завися от конкретного порога. Оптимизация по AUC помогает улучшить общую производительность модели в условиях несбалансированных классов, что косвенно снижает ложноотрицательные результаты. Оптимизация по RMSE (первый вариант) не подходит, так как RMSE используется для задач регрессии, а не классификации. Изменение maxdepth (третий и пятый варианты) влияет на сложность модели и может помочь при недообучении/переобучении, но не является прямым решением проблемы несбалансированных классов и ложноотрицательных результатов.