一家信用卡公司需要即時偵測詐欺交易。一個帶有標籤的歷史資料集（詐欺與合法）儲存在 Amazon S3 中。在移除遺失值後，資料科學家在 Amazon SageMaker 中訓練了一個 XGBoost 分類器。模型指標為：TPR 0.700、FNR 0.300、TNR 0.977、FPR 0.023，以及整體準確度 0.949。考量到明顯的類別不平衡，資料科學家應該採取哪種行動來改善模型效能？

此情境中，信用卡詐欺偵測通常面臨嚴重的類別不平衡問題，詐欺交易（少數類別）遠少於合法交易（多數類別）。當模型在不平衡資料上訓練時，它傾向於偏向多數類別，導致對少數類別的預測能力較差。SMOTE (Synthetic Minority Oversampling Technique) 是一種有效的過採樣技術，它透過在少數類別的樣本之間建立合成樣本來增加少數類別的數量，從而平衡訓練集。這有助於模型更好地學習少數類別的特徵，提高其對詐欺交易的偵測能力，特別是在保持較高真陽性率 (TPR) 的同時。 對多數類別應用 SMOTE 會進一步加劇類別不平衡。對少數類別進行欠採樣會丟失寶貴的詐欺交易資訊。對多數類別進行過採樣是不正確的，因為過採樣通常應用於少數類別。