Como cientista de dados sênior, elabore um guia de *troubleshooting* exaustivo e didático para otimizar a performance de modelos de Machine Learning que apresentam baixa acurácia inesperada em produção. O guia deve incluir:

1.  **Diagnóstico Inicial:** Quais são os primeiros 5 passos para identificar a causa raiz do problema (ex: *drift* de dados, *overfitting*, *underfitting*, *data leakage*, falha na engenharia de *features*)?
2.  **Ferramentas e Métricas:** Quais ferramentas (ex: SHAP, LIME, TensorBoard, MLflow) e métricas (ex: curva ROC, PR-AUC, matriz de confusão por classe, *feature importance*) são mais eficazes para cada tipo de problema diagnosticado?
3.  **Estratégias de Solução:** Para cada causa raiz comum, detalhe pelo menos 3 estratégias práticas e iterativas para resolver o problema (ex: rebalanceamento de classes, ajuste de hiperparâmetros, coleta de novos dados, *feature engineering* avançada, validação cruzada robusta, análise de erros residuais).
4.  **Prevenção:** Quais são as melhores práticas para monitoramento contínuo de modelos em produção e como implementar alertas proativos para evitar futuras degradações de performance?
5.  **Exemplos Práticos:** Inclua pequenos exemplos de código (Python com bibliotecas comuns como scikit-learn, pandas, numpy) que demonstrem a aplicação das estratégias de diagnóstico e solução em um cenário hipotético (ex: um modelo de classificação binária ou multiclasse).

O tom deve ser profissional, técnico e acessível, com foco em aplicabilidade prática para cientistas de dados em diferentes níveis de experiência.