Pendant une tâche d'entraînement de classification d'images, un ingénieur observe un déséquilibre de classes dans le jeu de données. Quelle action l'ingénieur devrait-il entreprendre pour corriger ce déséquilibre ?

Lorsqu'il y a un déséquilibre de classes, la classe minoritaire est sous-représentée, ce qui peut entraîner un modèle biaisé qui performe mal sur cette classe. Le suréchantillonnage aléatoire (random oversampling) est une technique efficace pour adresser ce problème en dupliquant aléatoirement des échantillons de la classe minoritaire jusqu'à ce que la distribution des classes soit plus équilibrée. Réduire la taille du jeu de données pourrait aggraver le problème en diminuant encore plus la représentation de la classe minoritaire. Transformer certaines des images (par exemple, rotation, recadrage) est une forme d'augmentation de données qui peut aider à la généralisation du modèle, mais ne corrige pas directement le déséquilibre de classes si elle n'est pas appliquée spécifiquement aux classes minoritaires de manière à les équilibrer. Appliquer une division aléatoire des données (random data split) est une étape standard pour créer des ensembles d'entraînement et de test, mais elle ne résout pas le déséquilibre de classes inhérent au jeu de données original.