Je hebt een vogelclassificatiemodel gebouwd door de dataset willekeurig te splitsen in trainings- en validatiesets. De trainingsnauwkeurigheid is erg hoog, maar het model presteert slecht op de validatieset. Je ontdekt dat de oorspronkelijke dataset onevenwichtig is. Wat moet je doen om de validatieprestaties te verbeteren?

De trainingsnauwkeurigheid is hoog, maar de validatieprestaties zijn slecht, wat duidt op overfitting en een probleem met de dataset. Een onevenwichtige dataset kan leiden tot een model dat de meerderheidsklassen goed leert, maar de minderheidsklassen negeert. Gestratificeerde sampling zorgt ervoor dat de verhouding van de klassen in zowel de trainings- als de validatieset behouden blijft, waardoor het model een representatiever beeld krijgt van alle klassen. Meer data verzamelen voor meerderheidsklassen zou de onbalans verergeren. Trainen op een kleinere subset van trainingsdata kan leiden tot underfitting of het probleem van onbalans niet oplossen. Systematische sampling garandeert geen gelijke klasse-verdeling en is minder geschikt voor het aanpakken van klasse-onbalans dan gestratificeerde sampling.