글로벌 은행이 1,000개의 고객 기록으로 이탈 모델을 훈련했으며, 이 중 100개는 이탈한 고객으로 레이블이 지정되었습니다. SageMaker Data Wrangler에서 훈련한 후, 모델은 음성 클래스만 예측합니다(이탈을 전혀 예측하지 않음). 이 문제를 해결하고 더 정확한 이탈 예측을 생성할 가능성이 가장 높은 훈련 데이터 변경 사항은 무엇입니까?

이탈 모델이 음성 클래스만 예측하는 것은 데이터 불균형 문제, 즉 이탈 고객(소수 클래스)의 수가 압도적으로 적기 때문입니다. SMOTE(Synthetic Minority Oversampling Technique)는 소수 클래스의 새로운 합성 샘플을 생성하여 데이터 불균형을 해소하고 모델이 소수 클래스를 더 잘 학습하도록 돕습니다. 이상치 제거는 모델 성능을 향상시킬 수 있지만, 불균형 문제를 직접적으로 해결하지는 못합니다. 특성 값 정규화는 모델 수렴을 돕지만, 클래스 불균형 문제를 해결하지는 않습니다. 다수 클래스 언더샘플링은 데이터 손실을 초래하여 모델의 일반화 능력을 저하시킬 수 있습니다. 따라서 SMOTE가 가장 효과적인 해결책입니다.