Een wereldwijde bank heeft een churn-model getraind op 1.000 klantrecords, waarvan 100 zijn gelabeld als klanten die zijn vertrokken. Na training in SageMaker Data Wrangler voorspelt het model alleen de negatieve klasse (voorspelt nooit churn). Welke wijziging in de trainingsdata zal dit hoogstwaarschijnlijk verhelpen en nauwkeurigere churn-voorspellingen opleveren?

De correcte optie is het toepassen van SMOTE (Synthetic Minority Oversampling Technique) op de trainingsset. Het model voorspelt alleen de negatieve klasse (geen churn) omdat de dataset extreem onevenwichtig is: slechts 10% van de klanten is gechurned. Dit leidt tot een model dat leert om altijd de meerderheidsklasse te voorspellen, omdat dit de schijnbare nauwkeurigheid maximaliseert. SMOTE creëert synthetische voorbeelden van de minderheidsklasse (churn), waardoor de dataset evenwichtiger wordt en het model beter leert om beide klassen te onderscheiden. Het verwijderen van uitschieters kan de modelprestaties verbeteren, maar lost het fundamentele probleem van klasse-onevenwichtigheid niet op. Normalisatie van feature-waarden is een goede praktijk, maar zal het probleem van een scheve klassebalans niet verhelpen. Undersampling van de meerderheidsklasse kan ook helpen bij klasse-onevenwichtigheid, maar kan leiden tot verlies van waardevolle informatie uit de meerderheidsklasse, wat SMOTE vermijdt door nieuwe voorbeelden te genereren in plaats van bestaande te verwijderen.