Você tem um dataset de fraude em que 0.3 por cento das linhas são positivas. Como você lida com esse desbalanceamento?

Primeiro mude a métrica, já que acurácia é inútil a 0.3 por cento: use AUC de precisão e recall, ou recall dado um orçamento fixo de alertas. Depois tente pesos de classe antes de reamostrar, porque ponderar é mais simples e não fabrica linhas. Se você reamostrar, faça isso apenas dentro do fold de treino. Por fim, recalibre as probabilidades, já que ponderação e oversampling distorcem os scores previstos.

A primeira coisa que eu mudo é o placar, porque um modelo que prevê nenhuma fraude sempre acerta 99.7 por cento e é completamente inútil. Eu uso AUC de precisão e recall e, mais útil ainda, recall no volume de alertas que o time consegue de fato revisar. Depois eu começo simples, com pesos de classe na função de perda, o que não custa nada e muitas vezes entrega a maior parte do ganho. Eu só recorro a SMOTE ou undersampling se a ponderação empacar, e sinceramente eu achei as amostras sintéticas da classe minoritária pouco impressionantes em dados tabulares de fraude, porque os pontos interpolados caem em regiões do espaço de features que não existem. Duas coisas em que eu sou rígido. A reamostragem acontece dentro do fold de treino, nunca antes da divisão, senão o conjunto de validação acaba guardando quase duplicatas das linhas de treino e a métrica vira ficção. E depois de qualquer uma dessas coisas as probabilidades previstas deixam de estar calibradas, então se alguém lá na frente multiplica o score por um valor em dinheiro, eu ajusto uma etapa de calibração em um holdout limpo. No meu último modelo de fraude isso mexeu mais na estimativa de perda esperada do que a própria mudança do modelo.