Een bedrijf heeft gedurende 3 maanden 10.000 samples van gebeurtenissen van apparatuur verzameld om een voorspellend onderhoudsmodel te bouwen. Er zijn 100 storingen gelijkmatig verdeeld over 50 machinetypes. Hoe moet het bedrijf de trainingsdata voorbereiden om de modelnauwkeurigheid te verbeteren, gezien de klasse-onbalans en de spaarzame storingen per type?

De juiste aanpak is het oversamplen van de storingsgevallen met SMOTE. Gezien de extreme klasse-onbalans (100 storingen op 10.000 samples) en de schaarse storingen per machinetype, zal het model moeite hebben om het zeldzame storingsgedrag te leren. SMOTE creëert synthetische voorbeelden van de minderheidsklasse (storingen) door interpolatie tussen bestaande minderheidsvoorbeelden, waardoor de dataset evenwichtiger wordt zonder simpelweg bestaande voorbeelden te dupliceren. Dit helpt het model om de kenmerken van storingen beter te herkennen en te voorspellen. Het aanpassen van klasse-gewichten kan nuttig zijn, maar is vaak minder effectief bij extreme onbalans dan oversampling. Undersampling van de meerderheidsklasse (niet-storingen) kan leiden tot verlies van waardevolle informatie, vooral als de meerderheidsklasse complex is. Het toepassen van SMOTE op de meerderheidsklasse is niet logisch, aangezien SMOTE is ontworpen voor de minderheidsklasse.