Uma empresa coletou 10.000 amostras de eventos de equipamentos ao longo de 3 meses para construir um modelo de manutenção preditiva. Há 100 eventos de falha distribuídos uniformemente em 50 tipos de máquinas. Como a empresa deve preparar os dados de treinamento para melhorar a precisão do modelo, dada a desproporção de classes e as falhas esparsas por tipo?

A classe minoritária (falhas) é desbalanceada e esparsa por tipo de máquina. O oversampling com SMOTE cria amostras sintéticas da classe minoritária, aumentando sua representatividade no conjunto de dados sem simplesmente duplicar as existentes. Isso ajuda o modelo a aprender melhor as características das falhas, melhorando a precisão geral, especialmente para a classe minoritária. Ajustar pesos de classes é útil, mas SMOTE aborda diretamente a escassez de dados. Undersampling de eventos de não falha pode descartar informações valiosas, e usar SMOTE para undersampling não é a aplicação correta da técnica.