您通过将数据集随机拆分为训练集和验证集来构建了一个鸟类分类模型。训练准确率非常高，但模型在验证集上的表现却很差。您发现原始数据集是不平衡的。您应该怎么做来提高验证性能？

当数据集不平衡时，随机拆分可能导致训练集和验证集中类别分布差异很大，从而影响模型在验证集上的泛化能力。分层抽样（Stratified Sampling）能够确保训练集和验证集中的类别比例与原始数据集保持一致，这对于不平衡数据集尤其重要，因为它能更准确地评估模型在未见过数据上的表现。 收集更多多数类数据会加剧不平衡问题。在较小的随机子集上训练可能导致信息丢失，无法充分学习特征。系统抽样（Systematic Sampling）虽然能确保数据均匀分布，但无法解决类别比例不平衡的问题。