DetectEye 營運一個詐欺模型，其中正向類別佔 0.3%，並計劃在 SageMaker 上訓練一個 XGBoost 模型。他們希望解決嚴重的類別不平衡問題，同時盡可能保留信號並避免放大標籤雜訊。在這種生產環境中，哪兩種干預措施最適合優先嘗試？

選項一（SMOTE）是有效的，因為它透過合成少數類別樣本來解決極端類別不平衡問題，而不會丟棄多數類別的資訊。在預處理階段執行並驗證合成樣本品質，有助於確保模型從有意義的資料中學習，避免放大雜訊。選項三（scaleposweight/classweight）也是一個強大的技術，它透過在模型訓練期間調整少數類別的權重來解決不平衡問題，而無需實際改變資料集分佈。這兩種方法都能在保留信號的同時有效處理不平衡。 選項二（隨機欠採樣到 1:1 比例）會丟棄絕大多數多數類別數據，可能導致模型失去大量有用資訊，即使訓練速度更快，也可能犧牲模型效能。選項四（Athena 建立平衡視圖並依賴查詢時合成）不切實際，因為 Athena 是一個查詢引擎，不具備執行複雜合成演算法（如 SMOTE）的能力，且會增加查詢延遲。選項五（停用 early stopping 並提高學習率）是不正確的，因為這會增加模型過擬合的風險，並可能導致模型在不平衡資料上學習到次優模式，而不是解決類別不平衡問題。