Un banco global entrenó un modelo de abandono con 1000 registros de clientes, de los cuales 100 están etiquetados como clientes que se fueron. Después de entrenar en SageMaker Data Wrangler, el modelo predice solo la clase negativa (nunca predice el abandono). ¿Qué cambio en los datos de entrenamiento probablemente solucionará esto y producirá predicciones de abandono más precisas?

El modelo solo predice la clase negativa (no abandono) debido al desequilibrio de clases extremo: solo el 10% de los clientes abandonan. SMOTE es una técnica de sobremuestreo que crea ejemplos sintéticos de la clase minoritaria (abandono), equilibrando el conjunto de datos de entrenamiento. Esto permite que el modelo aprenda mejor los patrones asociados con la clase minoritaria, lo que lleva a predicciones de abandono más precisas. Eliminar valores atípicos podría ser útil, pero no aborda directamente el desequilibrio de clases. Normalizar las características es una buena práctica, pero no resuelve el problema de la predicción sesgada. El submuestreo de la clase mayoritaria es una alternativa, pero puede resultar en la pérdida de información valiosa.