Un ingeniero de ML está entrenando un modelo binario de riesgo para la salud (positivo = probable riesgo, negativo = improbable) con edades de 30 a 60 años incluidas como característica. La diferencia en las proporciones de etiquetas (DPL) para la clase positiva es de +0.9 para el grupo de edad de 40 a 45 años en comparación con otras edades, lo que indica una sobrerrepresentación. ¿Cómo debería corregir este desequilibrio el ingeniero?

La diferencia en las proporciones de etiquetas (DPL) de +0.9 para el grupo de edad de 40 a 45 años indica una sobrerrepresentación significativa de la clase positiva en ese grupo. Para corregir este desequilibrio y reducir el sesgo, el ingeniero debe submuestrear los ejemplos positivos dentro del grupo de edad de 40 a 45 años. Esto ayudará a igualar la proporción de la clase positiva en este grupo con la de otros grupos de edad, promoviendo la equidad. Sobremuestrear los ejemplos positivos en este grupo agravaría el desequilibrio. Submuestrear ejemplos positivos en otros grupos o sobremuestrear la clase negativa en otros grupos no abordaría directamente la sobrerrepresentación específica en el grupo de 40 a 45 años.