一位机器学习工程师正在检查用于在 Amazon SageMaker 中训练模型的分类数据集，并怀疑存在可能导致模型偏差的严重类别标签不平衡。工程师应该使用哪种预训练指标来确认类别不平衡？

标签比例差异 (DPL) 是用于衡量分类数据集中类别不平衡的预训练指标。它计算不同敏感属性组之间预测标签或真实标签比例的差异，从而揭示潜在的偏差。DPL 值越大，表示类别不平衡越严重，可能导致模型在少数类别上的表现不佳。 均方误差 (MSE) 主要用于回归任务，衡量预测值与真实值之间的平均平方差，不适用于评估分类任务中的类别不平衡。轮廓系数 (Silhouette score) 用于评估聚类算法的性能，衡量簇内凝聚度和簇间分离度，与类别不平衡无关。结构相似性指数度量 (SSIM) 用于衡量两幅图像的相似度，常用于图像处理领域，与分类数据集的类别不平衡无关。