一位資料科學家訓練了一個 XGBoost 模型來標記詐欺性金融交易。訓練集高度不平衡（100,000 筆非詐欺交易對 1,000 筆詐欺交易）。在驗證時，模型顯示 99.1% 的準確度，但有太多誤報（將詐欺交易預測為非詐欺交易）。資料科學家應該採取哪兩項措施來減少誤報？

由於資料集高度不平衡，模型儘管有高準確度（99.1%），卻產生過多誤報（將詐欺交易預測為非詐欺交易），這表示模型傾向於預測多數類別（非詐欺）。 增加 XGBoost 的 scaleposweight 參數可以為少數類別（詐欺交易）賦予更高的權重。這有助於模型更關注詐欺樣本，減少將其錯誤分類為非詐欺的可能性，從而降低誤報率。 將 evalmetric 設定為優化 ROC 曲線下面積 (AUC) 是另一種有效策略。AUC 是一種對類別不平衡問題更穩健的評估指標，它衡量模型區分正負類別的能力。優化 AUC 會促使模型在不同分類閾值下，平衡真陽性率和假陽性率，進而改善對詐欺交易的識別，減少誤報。 優化均方根誤差 (RMSE) 通常用於迴歸問題，不適用於此處的二元分類問題。增加或減少 maxdepth 主要是為了處理欠擬合或過擬合，與直接解決類別不平衡導致的誤報問題關聯較小。