Bir müşterinin bir satın alma işlemini iade edip etmeyeceğini tahmin etmek için bir XGBoost modeli oluşturdunuz. Örneklerin yalnızca %5'i iadedir. Küçük bir işlem bütçesiyle çalışırken iade edilen ürünlerin tespitini en üst düzeye çıkarmalısınız. En uygun maliyetli hiperparametre ayarlama yaklaşımı nedir?

Doğru cevap, sınıf dengesizliği sorununu doğrudan ele alan ve maliyet kısıtlaması altında iade tespitini optimize eden en verimli yaklaşımı sunar. Veri setindeki örneklerin yalnızca %5'inin iade olması, ciddi bir sınıf dengesizliği olduğunu gösterir. Bu durumda, class-weight ve scaleposweight hiperparametreleri, modelin azınlık sınıfına (iadeler) daha fazla odaklanmasını sağlayarak dengesizliği düzeltmek için kritik öneme sahiptir. İşlem bütçesi kısıtlı olduğundan, tüm olası hiperparametreleri ayarlamak zaman ve maliyet açısından verimsiz olacaktır. validation:f1 metriği, hem kesinlik (precision) hem de geri çağırma (recall) değerlerini dikkate aldığı için dengesiz veri setlerinde model performansını değerlendirmek için accuracy'den çok daha uygundur ve iade edilen ürünlerin tespitini en üst düzeye çıkarma hedefine hizmet eder. validation:f1'i minimize etmek yerine maksimize etmek, modelin performansını artırmak anlamına gelir.