Een ML-engineer traint een binair gezondheidsrisicomodel (positief = waarschijnlijk risico, negatief = onwaarschijnlijk) waarbij leeftijden van 30-60 jaar zijn opgenomen als feature. Het verschil in proporties van labels (DPL) voor de positieve klasse is +0,9 voor de leeftijdsgroep 40-45 jaar versus andere leeftijden, wat duidt op oververtegenwoordiging. Hoe moet de engineer deze onbalans corrigeren?

De DPL van +0,9 voor de leeftijdsgroep 40-45 jaar betekent dat de positieve klasse in deze groep significant vaker voorkomt dan in andere leeftijdsgroepen, wat duidt op oververtegenwoordiging. Om deze onbalans te corrigeren en eerlijkheid te bevorderen, moet de oververtegenwoordigde groep worden aangepast. Het undersamplen van de positieve voorbeelden in de leeftijdsgroep 40-45 jaar vermindert hun aandeel, waardoor het dichter bij de verhouding in andere groepen komt. Oversampling van positieve voorbeelden in deze groep zou de onbalans verergeren. Undersampling van positieve voorbeelden in andere groepen of oversampling van de negatieve klasse in andere groepen zou de relatieve oververtegenwoordiging van de 40-45 groep niet direct aanpakken of zelfs verergeren.