Durante um trabalho de treinamento de classificação de imagens, um engenheiro observa um desequilíbrio de classes no conjunto de dados. Qual ação o engenheiro deve tomar para resolver o desequilíbrio?

Oversampling aleatório (random oversampling) é uma técnica eficaz para lidar com o desequilíbrio de classes, pois replica aleatoriamente exemplos da classe minoritária, aumentando sua representação e ajudando o modelo a aprender melhor suas características. Reduzir o tamanho do conjunto de dados pode agravar o problema, removendo ainda mais dados da classe minoritária. Transformar imagens (como rotação ou espelhamento) é uma forma de aumento de dados (data augmentation) que pode ser útil, mas o oversampling é mais direto para equilibrar as contagens de classes. A divisão aleatória de dados (random data split) é uma etapa padrão na preparação de dados, mas não aborda o desequilíbrio de classes em si; ela apenas divide o conjunto de dados existente em partes de treinamento e teste.