在图像分类训练任务中，工程师观察到数据集中存在类别不平衡。工程师应该采取哪种措施来解决这种不平衡？

在图像分类任务中，类别不平衡会导致模型偏向于多数类，从而在少数类上表现不佳。随机过采样（Random Oversampling）是一种有效的解决策略，它通过随机复制少数类样本来增加其数量，从而平衡数据集。这有助于模型在训练过程中更多地学习少数类的特征，提高其对少数类的识别能力。 其他选项： 减小数据集的大小：这会减少可用于训练的数据量，可能导致模型欠拟合，并且无助于解决类别不平衡问题。 转换数据集中的一些图像：图像转换（如旋转、翻转、裁剪等数据增强技术）可以增加数据集的多样性，但如果仅应用于部分图像，并不能直接解决类别不平衡问题。它通常与过采样结合使用。 对数据集应用随机数据拆分：随机数据拆分是训练前将数据分为训练集、验证集和测试集的常用方法，它与解决类别不平衡问题无关。