一家全球性銀行使用 1,000 筆客戶記錄訓練流失模型，其中 100 筆標記為已流失客戶。在 SageMaker Data Wrangler 中訓練後，模型只預測負面類別（從不預測流失）。對訓練資料進行什麼更改最有可能解決此問題並產生更準確的流失預測？

正確答案是應用 SMOTE (Synthetic Minority Oversampling Technique)。由於模型只預測負面類別，這表示訓練資料存在嚴重的類別不平衡問題（100 筆流失客戶與 900 筆非流失客戶）。SMOTE 透過合成少數類別的新樣本來平衡資料集，從而幫助模型更好地學習流失客戶的特徵。 移除離群值可能會有幫助，但不會直接解決類別不平衡問題。正規化特徵值是預處理的常見步驟，但也不能解決類別不平衡。對多數類別進行欠採樣會減少訓練資料量，可能導致模型丟失重要資訊，且在這種極端不平衡情況下效果不如過採樣少數類別。