Ücretsiz oynanabilen bir oyun şirketinin, yeni bir kullanıcının bir yıl içinde ücretli müşteri olup olmayacağını tahmin etmesi gerekiyor. Etiketli eğitim seti, 1.000 pozitif örnek ve 999.000 negatif örnek (toplam 1.000.000) ile 200 özellik içeriyor. Bir random forest, eğitim setinde %99'dan fazla doğruluk elde etti ancak test setinde kötü performans gösteriyor. Ekip bu sorunu çözmek için hangi eylemleri yapmalı? (İki tane seçin.)

Modelin eğitim setinde yüksek doğruluk elde etmesine rağmen test setinde kötü performans göstermesi, aşırı uyum (overfitting) ve sınıf dengesizliği sorunlarına işaret eder. "Mevcut pozitifleri çoğaltarak ve bunlara hafif gürültü ekleyerek daha fazla pozitif örnek oluşturun" seçeneği doğrudur çünkü pozitif sınıfın az sayıda olması (1.000 pozitif, 999.000 negatif) modelin bu sınıfı yeterince öğrenememesine neden olur. Sentetik veri üretimi (oversampling) bu dengesizliği gidermeye yardımcı olur. "Yanlış negatifleri, yanlış pozitiflerden daha fazla cezalandırmak için kayıp fonksiyonunu değiştirin" seçeneği de doğrudur. Bir kullanıcının ücretli müşteri olup olmayacağını tahmin ederken, ücretli olabilecek bir müşteriyi kaçırmak (yanlış negatif) şirket için daha maliyetli olabilir. Kayıp fonksiyonunu ayarlamak, modelin yanlış negatifleri minimize etmeye odaklanmasını sağlar. Diğer seçenekler yanlıştır: Ağaç sayısını veya derinliğini artırmak aşırı uyumu daha da kötüleştirebilir. Test setinden örnekleri eğitim setine kopyalamak veri sızıntısına (data leakage) neden olur ve modelin genelleme yeteneğini yanıltıcı bir şekilde artırır. Yanlış pozitifleri daha fazla cezalandırmak, yanlış negatiflerin önemini göz ardı eder ve iş hedefleriyle çelişebilir.