Uma equipe de ciência de dados de uma Secretaria de Fazenda está desenvolvendo um modelo para identificar contribuintes com alto potencial de sonegação fiscal. O conjunto de dados possui 5.000 registros rotulados (1.200 sonegadores e 3.800 não sonegadores) e 30 variáveis preditoras, muitas delas com distribuições assimétricas e correlações moderadas. A equipe planeja usar validação cruzada estratificada com 5 folds e comparar o desempenho de três algoritmos: Regressão Logística, Random Forest e Gradient Boosting. Durante a análise, surgiram as seguintes considerações:

• I. A acurácia é uma métrica adequada para avaliar o modelo, pois o conjunto é balanceado.
• II. A validação cruzada estratificada garante que a proporção de classes seja mantida em cada fold, reduzindo o viés de estimativa em conjuntos desbalanceados.
• III. O Random Forest é imune a problemas de overfitting, independentemente do número de árvores utilizadas.
• IV. O Gradient Boosting, por construir árvores sequencialmente, geralmente requer ajuste cuidadoso de hiperparâmetros como taxa de aprendizado e número de estimadores para evitar sobreajuste.

Considerando as práticas recomendadas em aprendizado de máquina e a natureza do problema, quais afirmativas estão corretas?