あるグローバル銀行が、1,000件の顧客レコードで解約モデルをトレーニングしました。そのうち100件は解約した顧客としてラベル付けされています。SageMaker Data Wranglerでトレーニングした後、モデルはネガティブクラスのみを予測し（解約を予測しない）、解約予測の精度を向上させるには、トレーニングデータにどのような変更を加えるのが最も効果的でしょうか？

このシナリオでは、データセットが不均衡であり、解約した顧客（少数派クラス）が全体の10%しかありません。モデルがネガティブクラス（解約しない）のみを予測するのは、この不均衡が原因で、モデルが多数派クラスに偏って学習したためです。 SMOTE（Synthetic Minority Oversampling Technique）は、少数派クラスの合成サンプルを生成することで、データセットの不均衡を是正します。これにより、モデルは少数派クラスからも十分に学習できるようになり、解約予測の精度が向上します。 異常検出による外れ値の除去は、モデルの汎化性能を向上させる可能性がありますが、クラスの不均衡を直接解決するものではありません。特徴量の正規化は、勾配ベースの最適化アルゴリズムの収束を助けますが、これも不均衡問題への直接的な解決策ではありません。多数派クラスのアンダーサンプリングも不均衡を是正する方法ですが、情報損失のリスクがあり、SMOTEの方が一般的に推奨されます。