Uma Secretaria de Fazenda estadual está implementando um modelo de aprendizado de máquina para detectar fraudes em declarações de ICMS. O conjunto de dados é altamente desbalanceado: apenas 0,5% das declarações são fraudulentas. A equipe de ciência de dados propõe as seguintes ações:

• I. Utilizar a acurácia como métrica principal de avaliação do modelo.
• II. Aplicar a técnica de sobreamostragem SMOTE (Synthetic Minority Over-sampling Technique) apenas no conjunto de treinamento, antes da validação cruzada.
• III. Empregar validação cruzada estratificada para preservar a proporção original das classes em cada partição.
• IV. Ajustar o limiar de decisão do classificador para aumentar a sensibilidade (recall) da classe minoritária, mesmo que isso reduza a precisão.

Considerando as boas práticas de aprendizado de máquina para dados desbalanceados e o risco de vazamento de dados (data leakage), quais ações são adequadas?