Hai creato un modello di classificazione degli uccelli suddividendo casualmente il dataset in set di training e di validazione. L'accuratezza del training è molto alta, ma il modello ha prestazioni scarse sul set di validazione. Scopri che il dataset originale è sbilanciato. Cosa dovresti fare per migliorare le prestazioni di validazione?

Il campionamento stratificato assicura che la proporzione di ciascuna classe sia mantenuta sia nel set di training che in quello di validazione. Questo è cruciale per i dataset sbilanciati, poiché impedisce che una classe minoritaria sia sottorappresentata o assente in uno dei set, il che potrebbe portare a un modello che non generalizza bene. Raccogliere più dati per le classi di maggioranza peggiorerebbe lo squilibrio. Eseguire il training su un sottoinsieme più piccolo dei dati di training potrebbe ridurre l'overfitting, ma non risolverebbe il problema dello sbilanciamento delle classi e potrebbe ridurre la capacità del modello di apprendere pattern complessi. Il campionamento sistematico non garantisce la rappresentazione proporzionale delle classi e potrebbe ancora portare a suddivisioni sbilanciate.