한 회사가 예측 유지보수 모델을 구축하기 위해 3개월 동안 10,000개의 장비 이벤트 샘플을 수집했습니다. 50가지 기계 유형에 걸쳐 100개의 장애 이벤트가 균등하게 분포되어 있습니다. 클래스 불균형과 유형별 희소한 장애를 고려할 때, 모델 정확도를 향상시키기 위해 훈련 데이터를 어떻게 준비해야 할까요?

정답은 SMOTE(Synthetic Minority Oversampling Technique)를 사용하여 장애 사례를 오버샘플링하는 것입니다. 이 기술은 소수 클래스(여기서는 장애 이벤트)의 합성 샘플을 생성하여 클래스 불균형 문제를 해결합니다. 10,000개의 샘플 중 100개만이 장애 이벤트이므로 데이터가 심하게 불균형합니다. SMOTE는 모델이 소수 클래스를 더 잘 학습하도록 돕고, 특히 50가지 기계 유형에 걸쳐 장애가 희소하게 분포되어 있는 상황에서 모델 정확도를 향상시킵니다. 오답 설명: 각 기계 유형을 고려하여 클래스 가중치를 조정하는 것은 불균형을 완화하는 데 도움이 될 수 있지만, 희소한 장애 이벤트 자체를 늘리지는 못하므로 SMOTE만큼 효과적이지 않을 수 있습니다. 비장애 이벤트를 언더샘플링하는 것은 전체 데이터셋 크기를 줄여 중요한 정보 손실을 초래할 수 있습니다. SMOTE는 소수 클래스를 오버샘플링하는 데 사용되는 기술이며, 비장애 이벤트(다수 클래스)를 언더샘플링하는 데는 적합하지 않습니다.