Глобальный банк обучил модель оттока клиентов на 1000 записях клиентов, из которых 100 помечены как ушедшие клиенты. После обучения в SageMaker Data Wrangler модель предсказывает только отрицательный класс (никогда не предсказывает отток). Какое изменение в обучающих данных, скорее всего, исправит это и приведет к более точным прогнозам оттока?

Модель предсказывает только отрицательный класс из-за несбалансированности классов: 100 ушедших клиентов (положительный класс) против 900 неушедших (отрицательный класс). SMOTE (Synthetic Minority Oversampling Technique) генерирует синтетические образцы для миноритарного класса, увеличивая его представленность и помогая модели лучше изучить характеристики ушедших клиентов. Удаление выбросов может быть полезным, но не решает проблему несбалансированности классов. Нормализация значений признаков важна для многих алгоритмов, но также не решает проблему несбалансированности. Недосэмплирование мажоритарного класса уменьшает общий размер данных и может привести к потере важной информации, что менее предпочтительно, чем SMOTE, для решения этой конкретной проблемы.