医療診断モデルを開発しています。データセットには疾患陽性サンプルが全体の2%しかなく、高度なクラス不均衡（クラス間のサンプル数の大きな偏り）があります。モデル開発において取るべき適切なアプローチを2つ選択してください。
クラス不均衡データでは陰性ばかり予測しても高精度になるためAccuracyは信頼できず、AUC-ROC・F1スコア・Recall（再現率）で評価すべきです。 選択肢Aの評価指標として精度（Accuracy）のみを使用することはクラス不均衡データでは適切ではありません。多数派クラスを常に予測するだけで高いAccuracyが得られてしまい、少数クラス（疾患陽性）の検出能力を正確に評価できません。 選択肢BのSMOTEなどによるデータバランス調整やアンダーサンプリングは有効なアプローチです。少数クラスの合成サンプル生成や多数クラスのサンプル削減によりクラス比率を改善し、モデルが少数クラスの特徴を学習しやすくなります。 選択肢CのXGBoostのscale_pos_weightに陰性/陽性比率を設定することも有効なアプローチです。少数クラスの誤分類に対するペナルティを大きくすることでクラス不均衡を補正し、追加データ生成なしに対応できます。 選択肢Dの陰性クラスのサンプルをすべて削除することは、モデルの学習に必要な大量の情報を失い汎化性能が大きく低下するため不適切です。