Специалист по машинному обучению создает модель на основе XGBoost для разбиения кредитных заявок на 2 класса - типовые и подозрительные. Размер размеченных данных составляет 1000 заявок, из которых 400 являются подозрительными. Специалист обучил модель на обучающей выборке (70% от данных), а затем проверил метрики качества (ROC AUC) на тестовой выборке (30% от данных), которые оказались приемлемыми. Затем он начал оптимизировать гиперпараметры и подбирать набор предикторов модели, стремясь максимизировать качество модели, рассчитанное после 10-блочной кросс-валидации на этих двух выборках. К его удивлению, после развертывания модели в продакшн-окружении на реальных данных, модель показала себя значительно менее эффективно, хотя данные выглядели эффективно. Какая из нижеперечисленных интерпретаций полученного результата является наиболее правдоподобной?Это задача повышенной сложности. Для выполнения этой задачи воспользуйтесь дополнительной литературой: Энрю Ын «Страсть к машинному обучению», глава 1, раздел 5, (https://habr.com/ru/post/419757/)