Durante un trabajo de entrenamiento de clasificación de imágenes, un ingeniero observa un desequilibrio de clases en el conjunto de datos. ¿Qué acción debería tomar el ingeniero para abordar el desequilibrio?

El sobremuestreo aleatorio (random oversampling) es una técnica efectiva para abordar el desequilibrio de clases. Consiste en duplicar o replicar aleatoriamente las instancias de la clase minoritaria hasta que las clases estén más equilibradas, lo que ayuda al modelo a aprender mejor de la clase subrepresentada. Reducir el tamaño del conjunto de datos podría descartar información valiosa. Transformar algunas imágenes puede ser útil para la aumentación de datos, pero no resuelve directamente el desequilibrio de clases si las transformaciones no se aplican específicamente a la clase minoritaria para equilibrarla. La división de datos aleatoria es una práctica estándar para preparar los datos para el entrenamiento y la validación, pero no corrige el desequilibrio de clases inherente en el conjunto de datos.