Sie haben ein Vogelklassifizierungsmodell erstellt, indem Sie den Datensatz zufällig in Trainings- und Validierungssets aufgeteilt haben. Die Trainingsgenauigkeit ist sehr hoch, aber das Modell schneidet im Validierungsset schlecht ab. Sie stellen fest, dass der ursprüngliche Datensatz unausgewogen ist. Was sollten Sie tun, um die Validierungsleistung zu verbessern?

Die Trainingsgenauigkeit ist hoch, aber die Validierungsleistung ist schlecht, was auf Overfitting hindeutet, insbesondere bei einem unausgewogenen Datensatz. Stratified Sampling (geschichtete Stichprobenziehung) stellt sicher, dass die Proportionen der Klassen in den Trainings- und Validierungs-Splits beibehalten werden. Dies ist entscheidend, wenn Klassen unausgewogen sind, da es verhindert, dass eine Klasse im Validierungsset unterrepräsentiert ist und das Modell ihre Merkmale nicht ausreichend gelernt hat. Mehr Daten für die Mehrheitsklassen zu sammeln, würde die Unausgewogenheit verstärken und das Problem verschlimmern. Auf einer kleineren zufälligen Untermenge der Trainingsdaten zu trainieren, würde die Menge der verfügbaren Informationen reduzieren und das Overfitting-Problem wahrscheinlich nicht lösen, da die Unausgewogenheit bestehen bliebe. Systematic Sampling (systematische Stichprobenziehung) wählt Elemente in regelmäßigen Intervallen aus, was bei unausgewogenen Datensätzen immer noch zu ungleichen Klassenverteilungen in den Splits führen kann.