El procesamiento de semiconductores basado en plasma es altamente sensible, por lo tanto, incluso cambios menores en el procedimiento pueden tener consecuencias graves. El monitoreo y la clasificación de estas anomalías en los equipos pueden realizarse utilizando la detección y clasificación de fallas (FDC). Sin embargo, el desequilibrio de clases en los datos del proceso de semiconductores supone un obstáculo significativo para la introducción de FDC en los equipos de semiconductores. La sobreajustación puede ocurrir en el aprendizaje automático debido a la diversidad y desequilibrio de los conjuntos de datos para lo normal y lo anormal. En este estudio, sugerimos un método de preprocesamiento adecuado para abordar el problema del desequilibrio de clases en los datos del proceso de semiconductores. Comparamos modelos de sobremuestreo existentes para reducir el desequilibrio de clases, y luego sugerimos una estrategia de muestreo apropiada. Con el fin de mejorar el rendimiento de FDC de los datos del proceso de semiconductores basados en plasma, se confirmó que el modelo basado en SMOTE utilizando una técnica de submuestreo como Tomek link es efectivo. SMOTE-TOMEK, que elimina múltiples clases y aclara el límite, es adecuado para FDC para clasificar cambios mínimos en los datos de equipos de semiconductores basados en plasma.