某公司在三個月內收集了 10,000 個設備事件樣本，以建立預測性維護模型。其中有 100 個故障事件平均分佈在 50 種機器類型中。考量到類別不平衡和每種類型稀疏的故障事件，該公司應如何準備訓練資料以提高模型準確性？

正確答案是使用 Synthetic Minority Oversampling Technique (SMOTE) 對故障案例進行過度取樣。由於故障事件（少數類別）數量稀少且分佈在多種機器類型中，SMOTE 能夠合成新的少數類別樣本，有效增加訓練資料中故障事件的代表性，而不會簡單重複現有資料，有助於模型學習故障模式。 調整類別權重可以處理類別不平衡，但對於每種機器類型故障事件極度稀疏的情況，單純調整權重可能不足以讓模型學習到足夠的故障特徵。對非故障事件進行欠取樣會丟失大量資訊，可能導致模型無法充分學習正常運作模式，且在故障事件本身就稀疏的情況下，這不是首選策略。SMOTE 應用於非故障事件進行欠取樣是錯誤的，因為 SMOTE 旨在處理少數類別的過度取樣，而非多數類別的欠取樣。