Vous avez construit un modèle de classification d'oiseaux en divisant aléatoirement l'ensemble de données en ensembles d'entraînement et de validation. La précision de l'entraînement est très élevée, mais le modèle fonctionne mal sur l'ensemble de validation. Vous découvrez que l'ensemble de données original est déséquilibré. Que devriez-vous faire pour améliorer les performances de validation ?

L'échantillonnage stratifié garantit que la proportion de chaque classe est maintenue dans les ensembles d'entraînement et de validation, reflétant ainsi la distribution de l'ensemble de données original. Cela est crucial pour les ensembles de données déséquilibrés, car une division aléatoire simple pourrait placer la plupart des exemples d'une classe minoritaire dans un seul ensemble, rendant l'autre ensemble non représentatif et conduisant à un surapprentissage (haute précision d'entraînement, faible précision de validation). Collecter plus de données pour les classes majoritaires aggraverait le déséquilibre. Entraîner sur un sous-ensemble aléatoire plus petit ne résoudrait pas le problème de déséquilibre et pourrait même réduire la quantité d'informations disponibles pour l'entraînement. L'échantillonnage systématique ne garantit pas la préservation des proportions de classes.