클래스 불균형 문제

설비는 대부분 정상이고, 고장은 드물다.

---

해결 전략 3가지

1. Class Weights (가중치)

소수 클래스의 손실에 가중치를 더 부여한다.

장점	단점
구현 간단	최적 가중치 탐색 필요
원본 데이터 유지	과적합 가능

---

2. SMOTE (합성 오버샘플링)

소수 클래스의 합성 샘플을 생성한다.

장점	단점
정보 손실 없음	과적합 위험 (시계열 주의)
소수 클래스 보강	합성 데이터 품질

---

3. Under-sampling (다수 클래스 축소)

다수 클래스에서 일부만 사용한다.

장점	단점
빠른 학습	정보 손실
균형 잡힌 데이터	다수 클래스 패턴 놓침

---

전략 선택 가이드

상황	추천 전략
데이터 충분, 불균형 심하지 않음	Class Weights
소수 클래스 매우 적음 (<100건)	SMOTE
데이터 매우 많고 학습 느림	Under-sampling
실무 추천	Class Weights + 임계값 조정

핵심: 시계열 데이터에 SMOTE를 적용할 때는 시간 순서를 무시하지 않도록 피처 레벨에서 적용한다. 원시 시퀀스에 직접 SMOTE를 쓰면 비현실적인 패턴이 생긴다.