Você construiu um modelo de classificação de aves dividindo aleatoriamente o conjunto de dados em conjuntos de treinamento e validação. A acurácia do treinamento é muito alta, mas o modelo tem um desempenho ruim no conjunto de validação. Você descobre que o conjunto de dados original está desbalanceado. O que você deve fazer para melhorar o desempenho da validação?

A amostragem estratificada garante que as proporções das classes no conjunto de dados original sejam mantidas nas divisões de treinamento e validação. Isso é crucial para conjuntos de dados desbalanceados, pois evita que uma classe minoritária seja sub-representada ou ausente em um dos conjuntos, levando a um modelo que generaliza melhor. Coletar mais dados para classes majoritárias agravaria o desequilíbrio. Treinar em um subconjunto menor dos dados de treinamento pode reduzir o sobreajuste, mas não aborda o problema do desequilíbrio de classes nas divisões. A amostragem sistemática pode não preservar as proporções das classes, especialmente em dados desbalanceados.