Uma instituição financeira está implementando um sistema de detecção de fraudes em transações de cartão de crédito. O time de ciência de dados decidiu utilizar uma abordagem não supervisionada baseada no algoritmo Isolation Forest. Durante a validação, observou-se que o modelo apresentava um alto número de falsos positivos, sinalizando como anômalas muitas transações legítimas de clientes com comportamento de gastos atípico, porém genuíno. Para mitigar esse problema, o time considerou as seguintes estratégias:

• I. Aumentar o parâmetro contamination para um valor mais alto, a fim de tornar o modelo mais sensível a anomalias.
• II. Reduzir a profundidade máxima das árvores (max_samples) para diminuir a complexidade do modelo e evitar sobreajuste.
• III. Aplicar uma etapa de engenharia de features para incluir variáveis contextuais, como frequência de transações e desvio padrão dos gastos do cliente nos últimos 30 dias.
• IV. Substituir o Isolation Forest por um modelo supervisionado, como Random Forest, treinado com rótulos de fraudes confirmadas.

Considerando os conceitos de detecção de anomalias e as características do algoritmo Isolation Forest, quais estratégias são, de fato, adequadas para reduzir falsos positivos sem comprometer a capacidade de detectar fraudes reais?