使用 SageMaker 的 XGBoost，一個詐欺偵測模型非常符合訓練資料，但卻無法偵測新的、未曾見過的交易中的詐欺。ML 工程師應該做什麼改變來改善對新交易的泛化能力？

這個問題描述了模型過度擬合（overfitting）的典型情況：模型在訓練資料上表現良好，但在未見過的新資料上表現差。XGBoost 模型的 maxdepth 超參數控制了單個樹的最大深度。 減少 maxdepth 會限制樹的生長，使其結構更簡單，減少模型學習訓練資料中雜訊和特徵之間複雜、非泛化關係的可能性。這有助於提高模型對新資料的泛化能力。 增加學習率可能會導致模型收斂過快，跳過最佳解，甚至可能加劇過度擬合。移除與預測無關的特徵是處理過度擬合的有效方法，但通常是在特徵工程階段進行，且題目中未明確指出存在無關特徵。增加 maxdepth 會讓樹更深，模型更複雜，這會加劇過度擬合，而不是改善它。