Küresel bir banka, 1.000 müşteri kaydı üzerinde bir churn modeli eğitti ve bu kayıtlardan 100'ü ayrılan müşteriler olarak etiketlendi. SageMaker Data Wrangler'da eğitimden sonra model yalnızca negatif sınıfı tahmin ediyor (hiçbir zaman churn tahmin etmiyor). Eğitim verilerinde yapılacak hangi değişiklik, bu durumu büyük olasılıkla düzeltecek ve daha doğru churn tahminleri üretecektir?

Modelin yalnızca negatif sınıfı tahmin etmesi (churn etmemesi), veri setindeki sınıf dengesizliğinden kaynaklanmaktadır. 1000 kayıttan sadece 100'ünün churn olması, churn sınıfının azınlıkta olduğunu gösterir. SMOTE (Synthetic Minority Oversampling Technique), azınlık sınıfından sentetik örnekler oluşturarak sınıf dengesizliğini giderir. Bu, modelin azınlık sınıfını daha iyi öğrenmesini ve daha doğru churn tahminleri yapmasını sağlar. Anomali tespiti aykırı değerleri kaldırsa da sınıf dengesizliğini doğrudan çözmez. Normalleştirme, özellik ölçeklerini düzenler ancak sınıf dağılımını değiştirmez. Çoğunluk sınıfında undersampling yapmak, toplam veri miktarını azaltarak modelin öğrenme kapasitesini düşürebilir.