Bir veri bilimcisi, hileli finansal işlemleri işaretlemek için bir XGBoost modeli eğitti. Eğitim seti oldukça dengesiz (100.000 hileli olmayan vs. 1.000 hileli). Doğrulama sırasında model %99,1 doğruluk gösteriyor ancak çok fazla yanlış negatif (hileli işlemler hileli değil olarak tahmin ediliyor). Veri bilimcisi yanlış negatifleri azaltmak için hangi iki eylemi yapmalıdır?

Veri dengesizliği ve yüksek yanlış negatifler, modelin hileli işlemleri yeterince iyi öğrenemediğini gösterir. scaleposweight parametresi, pozitif sınıfa (hileli işlemler) daha fazla ağırlık vererek modelin bu sınıfı daha ciddiye almasını sağlar ve yanlış negatifleri azaltmaya yardımcı olur. evalmetric değerini AUC olarak değiştirmek, modelin sınıflandırma eşiğinden bağımsız olarak pozitif ve negatif sınıfları ne kadar iyi ayırdığını değerlendirir. Yüksek doğruluk, dengesiz veri setlerinde yanıltıcı olabilir; AUC gibi metrikler, sınıf dengesizliği olan durumlarda model performansının daha doğru bir göstergesidir ve yanlış negatifleri azaltma hedefiyle uyumludur. RMSE regresyon problemleri için kullanılırken, maxdepth ayarı modelin karmaşıklığını etkiler ancak doğrudan yanlış negatif sorununu çözmez.