Ein ML-Ingenieur trainiert ein binäres Gesundheitsrisikomodell (positiv = wahrscheinlich gefährdet, negativ = unwahrscheinlich), wobei das Alter von 30–60 als Feature enthalten ist. Die Differenz der Label-Anteile (DPL) für die positive Klasse beträgt +0,9 für die Altersgruppe 40–45 im Vergleich zu anderen Altersgruppen, was auf eine Überrepräsentation hindeutet. Wie sollte der Ingenieur dieses Ungleichgewicht korrigieren?

Die Differenz der Label-Anteile (DPL) von +0,9 für die Altersgruppe 40–45 bedeutet, dass die positive Klasse in dieser Gruppe stark überrepräsentiert ist. Um dieses Ungleichgewicht zu korrigieren und eine faire Repräsentation zu erreichen, sollte der Ingenieur die überrepräsentierten positiven Beispiele in der Altersgruppe 40–45 unterabtasten (undersample). Dies reduziert den Anteil der positiven Klasse in dieser spezifischen Gruppe und gleicht ihn an die anderen Altersgruppen an, was die Modellverzerrung verringert. Die Überabtastung positiver Beispiele in dieser Gruppe würde das Problem nur verschärfen. Das Unterabtasten anderer Altersgruppen oder das Überabtasten der negativen Klasse in anderen Gruppen würde die Datenverteilung ebenfalls verzerren, aber nicht direkt das spezifische Problem der Überrepräsentation in der Gruppe 40–45 lösen.