Eine globale Bank hat ein Abwanderungsmodell mit 1.000 Kundendatensätzen trainiert, von denen 100 als abgewanderte Kunden gekennzeichnet sind. Nach dem Training in SageMaker Data Wrangler prognostiziert das Modell nur die negative Klasse (prognostiziert nie Abwanderung). Welche Änderung an den Trainingsdaten wird dies höchstwahrscheinlich beheben und genauere Abwanderungsprognosen liefern?

Das Modell prognostiziert nur die negative Klasse (keine Abwanderung), was auf ein stark unausgewogenes Dataset hinweist. Mit 100 abgewanderten Kunden und 900 nicht abgewanderten Kunden ist die Minderheitsklasse (Abwanderung) unterrepräsentiert. SMOTE (Synthetic Minority Oversampling Technique) ist eine effektive Methode, um synthetische Stichproben der Minderheitsklasse zu erzeugen, wodurch das Dataset ausgeglichener wird und das Modell besser lernt, die Abwanderung zu erkennen. Das Entfernen von Ausreißern ist zwar oft nützlich, würde aber das Ungleichgewicht der Klassen nicht direkt beheben. Die Normalisierung von Feature-Werten verbessert die Modellleistung, löst aber ebenfalls nicht das Problem des Klassenungleichgewichts. Undersampling der Mehrheitsklasse könnte das Problem des Ungleichgewichts lösen, birgt aber das Risiko, wichtige Informationen aus dem Dataset zu verlieren, was die Modellleistung beeinträchtigen könnte.