Bir şirket, tahmine dayalı bir bakım modeli oluşturmak için 3 ay boyunca 10.000 ekipman olayı örneği topladı. 50 makine tipine eşit olarak dağılmış 100 arıza olayı bulunmaktadır. Sınıf dengesizliği ve tip başına seyrek arızalar göz önüne alındığında, şirket model doğruluğunu artırmak için eğitim verilerini nasıl hazırlamalıdır?

Doğru cevap, SMOTE kullanarak arıza durumlarını aşırı örneklemektir. Veri setinde 10.000 olaydan yalnızca 100'ü arıza olayıdır, bu da ciddi bir sınıf dengesizliği olduğunu gösterir. SMOTE, azınlık sınıfından sentetik örnekler oluşturarak bu dengesizliği gidermeye yardımcı olur, böylece modelin arıza olaylarını daha iyi öğrenmesini sağlar. Sınıf ağırlıklarını ayarlamak, modelin azınlık sınıfına daha fazla dikkat etmesini sağlayabilir ancak yeni veri noktaları oluşturmaz. Arıza dışı olayları az örneklemek, genel veri miktarını azaltır ve önemli bilgilerin kaybolmasına neden olabilir. Arıza dışı olayları SMOTE ile az örneklemek mantıksızdır, çünkü SMOTE azınlık sınıfını artırmak için kullanılır.