Während eines Trainingsjobs zur Bildklassifizierung stellt ein Ingenieur ein Klassenungleichgewicht im Datensatz fest. Welche Maßnahme sollte der Ingenieur ergreifen, um das Ungleichgewicht zu beheben?

Random Oversampling ist eine effektive Methode, um Klassenungleichgewichte zu beheben, indem die Anzahl der Stichproben in der Minderheitsklasse erhöht wird. Dies hilft dem Modell, von allen Klassen gleichermaßen zu lernen und eine bessere Verallgemeinerung zu erreichen. Die Reduzierung der Datensatzgröße würde nützliche Informationen verwerfen und die Modellleistung wahrscheinlich verschlechtern. Das Transformieren einiger Bilder könnte die Datenvielfalt erhöhen, behebt aber nicht direkt das Ungleichgewicht der Klassenverteilung. Eine zufällige Datenteilung ist ein Standardverfahren für das Training und die Validierung, löst aber kein Klassenungleichgewicht.