あるMLエンジニアが、30歳から60歳までの年齢を特徴量として含む二項健康リスクモデル（陽性 = リスクが高い可能性、陰性 = リスクが低い可能性）をトレーニングしています。陽性クラスのラベルの割合の差（DPL）は、40〜45歳の年齢層で他の年齢層と比較して+0.9であり、過剰な表現を示しています。この不均衡をエンジニアはどのように修正すべきですか？

正解は、40〜45歳の年齢層の陽性例をアンダーサンプリングすることです。DPLが+0.9であることは、この年齢層で陽性クラスが過剰に表現されていることを示しています。この不均衡を修正するには、過剰な表現を減らすために、この年齢層の陽性例の数を減らす必要があります。オーバーサンプリングは不均衡を悪化させます。他の年齢層の陽性例をアンダーサンプリングしたり、陰性クラスをオーバーサンプリングしたりしても、40〜45歳の年齢層の過剰な表現は直接修正されません。