一家免費遊戲公司需要預測新使用者是否會在一年內成為付費客戶。帶有標籤的訓練集包含 1,000 個正樣本和 999,000 個負樣本（總計 1,000,000 個），具有 200 個特徵。隨機森林在訓練集上達到了 >99% 的準確度，但在測試集上表現不佳。團隊應該採取哪些措施來解決這個問題？（選擇兩項）

這個問題描述了嚴重的類別不平衡，導致模型在測試集上表現不佳。 複製現有的正樣本並添加輕微雜訊（過採樣）有助於平衡訓練集，讓模型有更多機會學習正類別的特徵，從而改善對少數類別的預測。 修改損失函數，使假陰性比假陽性受到更嚴重的懲罰，這在類別不平衡問題中非常重要，特別是當錯過正樣本（例如，潛在的付費客戶）的成本很高時。這會促使模型更傾向於預測正類別，減少假陰性。 增加隨機森林中樹的數量或深度可能導致過擬合，尤其是在已經過擬合的訓練集上。將測試集中的樣本複製到訓練集中會污染測試集，導致對模型泛化能力的評估不準確。修改損失函數使假陽性受到更嚴重的懲罰，則會導致模型更保守地預測正類別，增加假陰性，這與此問題的目標相反。