Firma zebrała 10 000 próbek zdarzeń dotyczących sprzętu w ciągu 3 miesięcy, aby zbudować predykcyjny model konserwacji. Istnieje 100 zdarzeń awarii równomiernie rozłożonych na 50 typów maszyn. Jak firma powinna przygotować dane treningowe, aby poprawić dokładność modelu, biorąc pod uwagę niezrównoważenie klas i rzadkie awarie dla każdego typu?

Poprawna odpowiedź to zwiększenie próbkowania przypadków awarii za pomocą techniki SMOTE. SMOTE (Synthetic Minority Oversampling Technique) jest odpowiednią metodą do radzenia sobie z niezrównoważonymi zbiorami danych, szczególnie gdy klasa mniejszościowa (awarie) jest rzadka. Generuje ona syntetyczne próbki klasy mniejszościowej, co pomaga modelowi lepiej uczyć się wzorców związanych z awariami, nie powodując nadmiernego dopasowania (overfitting) poprzez proste powielanie istniejących próbek. Dostosowanie wag klas jest użyteczne, ale SMOTE bezpośrednio zwiększa reprezentację rzadkich zdarzeń, co często daje lepsze rezultaty w przypadku bardzo niezrównoważonych danych. Zmniejszenie próbkowania zdarzeń bez awarii (undersampling) może prowadzić do utraty cennych informacji. Zmniejszenie próbkowania za pomocą SMOTE jest nieprawidłowe, ponieważ SMOTE jest techniką zwiększania próbkowania (oversampling).