Tijdens een trainingstaak voor beeldclassificatie constateert een engineer een klasse-onbalans in de dataset. Welke actie moet de engineer ondernemen om de onbalans aan te pakken?

Klasse-onbalans betekent dat sommige klassen veel meer voorbeelden hebben dan andere, wat kan leiden tot een model dat de minderheidslessen slecht voorspelt. Random oversampling is een techniek waarbij willekeurig voorbeelden uit de minderheidsklassen worden gedupliceerd totdat de klassenverdeling meer gebalanceerd is. Dit helpt het model om meer te leren over de ondervertegenwoordigde klassen. Het verkleinen van de dataset vermindert de hoeveelheid beschikbare informatie, wat de modelprestaties kan verslechteren. Het transformeren van afbeeldingen (data augmentation) kan nuttig zijn, maar pakt de onbalans in het aantal voorbeelden per klasse niet direct aan. Random data splitting is een standaardprocedure voor het verdelen van gegevens in trainings- en testsets en lost de klasse-onbalans niet op.