Uma instituição financeira está desenvolvendo um modelo de aprendizado de máquina para detectar transações fraudulentas em tempo real. O conjunto de dados é altamente desbalanceado, com apenas 0,5% de transações fraudulentas. A equipe de ciência de dados propõe as seguintes abordagens:

• I. Utilizar a métrica de acurácia para avaliar o modelo, pois é a mais intuitiva.
• II. Aplicar técnicas de reamostragem, como SMOTE (Synthetic Minority Over-sampling Technique), para balancear as classes.
• III. Empregar validação cruzada estratificada para garantir que cada dobra mantenha a proporção original das classes.
• IV. Utilizar uma rede neural profunda com muitas camadas, pois modelos mais complexos sempre superam os mais simples nesse tipo de problema.

Considerando as boas práticas em aprendizado de máquina para dados desbalanceados, quais afirmativas estão corretas?