Um engenheiro de ML está treinando um modelo de risco de saúde binário (positivo = provável risco, negativo = improvável) com idades de 30 a 60 anos incluídas como uma característica. A diferença nas proporções de rótulos (DPL) para a classe positiva é de +0,9 para a faixa etária de 40 a 45 anos em comparação com outras idades, indicando super-representação. Como o engenheiro deve corrigir esse desequilíbrio?

A Diferença nas Proporções de Rótulos (DPL) de +0,9 para a faixa etária de 40 a 45 anos com a classe positiva indica que essa faixa etária está significativamente super-representada em relação a outras idades para o rótulo positivo. Para corrigir essa super-representação e promover a equidade, o engenheiro deve reduzir o número de exemplos positivos nessa faixa etária específica. Fazer undersampling dos exemplos positivos na faixa etária de 40 a 45 anos equilibra a distribuição dos dados, mitigando o viés e melhorando a generalização do modelo. Oversampling dos exemplos positivos na faixa de 40 a 45 anos agravaria o problema de super-representação. Undersampling dos exemplos positivos para todas as faixas etárias, exceto 40 a 45 anos, não abordaria a super-representação específica. Oversampling da classe negativa para outras faixas etárias não corrige diretamente a super-representação da classe positiva na faixa de 40 a 45 anos.