Ha creado un modelo de clasificación de aves dividiendo aleatoriamente el conjunto de datos en conjuntos de entrenamiento y validación. La precisión del entrenamiento es muy alta, pero el modelo funciona mal en el conjunto de validación. Descubre que el conjunto de datos original está desequilibrado. ¿Qué debería hacer para mejorar el rendimiento de la validación?

El muestreo estratificado garantiza que la proporción de cada clase de ave sea la misma en los conjuntos de entrenamiento y validación que en el conjunto de datos original. Esto es crucial cuando el conjunto de datos está desequilibrado, ya que evita que el conjunto de validación tenga una representación insuficiente de las clases minoritarias, lo que llevaría a una evaluación sesgada del rendimiento del modelo. Recopilar más datos para las clases mayoritarias agravaría el desequilibrio. Entrenar con un subconjunto aleatorio más pequeño de los datos de entrenamiento podría reducir la capacidad del modelo para aprender patrones complejos. El muestreo sistemático no aborda directamente el desequilibrio de clases.