Un ingénieur ML entraîne un modèle binaire de risque pour la santé (positif = risque probable, négatif = improbable) avec les âges 30-60 inclus comme caractéristique. La différence de proportions d'étiquettes (DPL) pour la classe positive est de +0,9 pour le groupe d'âge 40-45 par rapport aux autres âges, ce qui indique une surreprésentation. Comment l'ingénieur doit-il corriger ce déséquilibre ?

La DPL positive de +0,9 pour le groupe d'âge 40-45 indique une surreprésentation significative de la classe positive dans ce groupe par rapport aux autres. Pour corriger ce déséquilibre et réduire le biais, il est nécessaire de diminuer la proportion d'exemples positifs dans le groupe surreprésenté. Le sous-échantillonnage des exemples positifs spécifiquement dans le groupe d'âge 40-45 permet de rééquilibrer la distribution des étiquettes, rendant le modèle moins susceptible d'être biaisé envers cette tranche d'âge. Suréchantillonner les exemples positifs dans le groupe 40-45 aggraverait le déséquilibre. Sous-échantillonner les exemples positifs pour tous les groupes sauf 40-45 ne ciblerait pas le problème spécifique de surreprésentation dans le groupe 40-45. Suréchantillonner la classe négative pour tous les groupes sauf 40-45 ne résoudrait pas directement la surreprésentation de la classe positive dans le groupe 40-45.