Synthetic Minority Oversampling Technique (SMOTE)
Definition
SMOTE ergänzt seltene Klassen im Training durch künstliche Beispiele zwischen ähnlichen vorhandenen Fällen.
SMOTE erzeugt synthetische Beispiele einer Minderheitsklasse durch Interpolation zwischen benachbarten Trainingspunkten.
Einfach erklärt
Von einer seltenen Gruppe werden zusätzliche Zwischenbeispiele erzeugt, damit sie im Training stärker vertreten ist.
Warum das im Alltag wichtig ist
Der Begriff hilft, KI-Systeme fundiert auszuwählen, zu entwickeln, zu bewerten und ihre technischen Risiken realistisch einzuordnen.
Beispiel aus dem Mittelstand
Ein Ausfallmodell ergänzt seltene Fehlerfälle im Trainingssatz und bewertet das Ergebnis auf unveränderten Testdaten.
Grenzen und Fallstricke
- SMOTE kann Klassen überlappen lassen, Rauschen verstärken und darf nicht vor der Aufteilung in Training und Test angewendet werden.
Entstehung & Geschichte
Chawla und Mitautoren veröffentlichten SMOTE 2002 als Methode für unausgewogene Klassifikationsdaten.
Anwendung im Mittelstand
- Mögliche Anwendung: Ein Ausfallmodell ergänzt seltene Fehlerfälle im Trainingssatz und bewertet das Ergebnis auf unveränderten Testdaten.
Häufige Fragen
Was bedeutet Synthetic Minority Oversampling Technique (SMOTE)?
SMOTE erzeugt synthetische Beispiele einer Minderheitsklasse durch Interpolation zwischen benachbarten Trainingspunkten. Worauf sollte man achten? SMOTE kann Klassen überlappen lassen, Rauschen verstärken und darf nicht vor der Aufteilung in Training und Test angewendet werden.
Quellen
- SMOTE: Synthetic Minority Over-sampling Technique · Chawla et al., SMOTE: Synthetic Minority Over-sampling Technique
Quelle geprüft am 10.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.
Redaktionell geprüft am: