Durante un processo di training per la classificazione di immagini, un ingegnere osserva uno squilibrio di classe nel dataset. Quale azione dovrebbe intraprendere l'ingegnere per affrontare lo squilibrio?

L'oversampling casuale (random oversampling) è una tecnica efficace per affrontare lo squilibrio di classe. Consiste nel replicare casualmente gli esempi della classe minoritaria fino a quando la distribuzione delle classi non è più bilanciata. Questo aiuta il modello a imparare meglio le caratteristiche della classe minoritaria, migliorando le prestazioni complessive, specialmente per metriche come la recall o l'F1-score. Ridurre la dimensione del dataset potrebbe peggiorare il problema, eliminando dati preziosi. Trasformare alcune immagini (ad esempio, con data augmentation) è utile, ma l'oversampling si concentra specificamente sul bilanciamento delle classi. La suddivisione casuale dei dati (random data splitting) è una pratica standard per creare set di training e test, ma non risolve lo squilibrio di classe all'interno di tali set.