Un ingegnere ML sta addestrando un modello binario di rischio per la salute (positivo = probabilmente a rischio, negativo = improbabile) con le età 30-60 incluse come feature. La differenza nelle proporzioni delle etichette (DPL) per la classe positiva è di +0,9 per la fascia d'età 40-45 rispetto alle altre età, indicando una sovrarappresentazione. Come dovrebbe correggere questo squilibrio l'ingegnere?

La DPL (Difference in Proportions of Labels) di +0,9 per la fascia d'età 40-45 indica una sovrarappresentazione significativa della classe positiva in quel gruppo. Per bilanciare questa disparità e ridurre il bias, la strategia più efficace è il sottocampionamento degli esempi positivi all'interno della fascia d'età 40-45. Questo riduce il peso eccessivo che questi esempi hanno sul modello. Sovracampionare gli esempi positivi nella stessa fascia d'età aumenterebbe ulteriormente il bias. Sottocampionare gli esempi positivi in altre fasce d'età non risolverebbe il problema di sovrarappresentazione specifico della fascia 40-45. Sovracampionare la classe negativa in altre fasce d'età altererebbe il bilanciamento complessivo senza affrontare direttamente la sovrarappresentazione della classe positiva nel gruppo problematico.