32. 某銀行建置貸款違約預測模型，資料共 50,000 筆，其中違約樣本僅 800 筆(佔 1.6%) 。 在模型建置流程中，先對整體資料使用 SMOTE 對少數類進行過採樣，之後再進行訓 練／測試切分，並訓練輕量梯度提升機(LightGBM)模型，並以 AUC-ROC 評估模型 表現。模型在測試集的 AUC-ROC 達到 0.91，團隊認為模型表現良好，準備上線部署。 在模型審查過程中，下列何者為使測試集評估結果失真的主要原因？
(A)SMOTE 不適合用於金融違約預測場景，此類高風險業務應一律採用 class_weight 調 整損失函數，而非對資料本身進行過採樣；
(B)SMOTE 的過採樣操作在訓練/測試切分之前即對全體資料執行，導致合成樣本資訊 洩漏至測試集，使 AUC-ROC 0.91 虛高而不可信；
(C)AUC-ROC 在 1.6%的不平衡場景下過度樂觀，應改用 PR-AUC 作為評估指標，其餘 流程均正確；
(D)LightGBM 本身已內建處理不平衡的機制，與 SMOTE 同時使用會造成少數類過度 補償，導致過多誤判