一位机器学习工程师正在训练一个二元健康风险模型（阳性 = 可能有风险，阴性 = 不太可能），其中包含 30-60 岁年龄段作为特征。对于 40-45 岁年龄组，阳性类别的标签比例差异 (DPL) 为 +0.9，这表明该年龄组的代表性过高。工程师应如何纠正这种不平衡？

DPL 为 +0.9 表示 40-45 岁年龄组的阳性样本在数据集中被过度代表。为了纠正这种不平衡并减少模型对该特定组的偏见，工程师应该对 40-45 岁年龄组的阳性样本进行欠采样。欠采样将减少该组中阳性样本的数量，使其与数据集中其他组的比例更加平衡。 过采样 40-45 岁年龄组的阳性样本会进一步加剧过度代表性问题。对除 40-45 岁以外的所有年龄组的阳性样本进行欠采样，或者对除 40-45 岁以外的所有年龄组的阴性类别进行过采样，都无法直接解决 40-45 岁年龄组阳性样本的过度代表性问题，甚至可能引入新的偏差。