ある企業は、予測メンテナンスモデルを構築するために、3か月間で10,000件の機器イベントサンプルを収集しました。50種類の機械タイプにわたって、100件の故障イベントが均等に分散しています。クラスの不均衡とタイプごとの故障のまばらさを考慮して、モデルの精度を向上させるために、企業はどのようにトレーニングデータを準備すべきですか？

故障イベントが100件と非常に少なく、全データセットの1%（100/10000）であるため、クラスの不均衡が深刻です。SMOTEは、少数派クラス（この場合は故障イベント）の合成サンプルを生成することで、この不均衡を効果的に解消し、モデルが故障パターンをより良く学習できるようにします。 他の選択肢は不適切です。 クラスの重み調整は不均衡を緩和しますが、データが非常に少ない場合は十分な効果が得られない可能性があります。 非故障イベントのアンダーサンプリングは、データ量をさらに減らし、モデルが有用な情報を失うリスクがあります。 SMOTEを非故障イベントに適用することは、多数派クラスを不必要に増やし、問題解決にはなりません。