Inżynier ML trenuje binarny model ryzyka zdrowotnego (pozytywny = prawdopodobnie zagrożony, negatywny = mało prawdopodobne), uwzględniając wiek 30–60 lat jako cechę. Różnica w proporcjach etykiet (DPL) dla klasy pozytywnej wynosi +0,9 dla grupy wiekowej 40–45 lat w porównaniu z innymi grupami wiekowymi, co wskazuje na nadmierną reprezentację. Jak inżynier powinien skorygować tę nierównowagę?

Różnica w proporcjach etykiet (DPL) wynosząca +0,9 dla klasy pozytywnej w grupie wiekowej 40–45 lat wskazuje na nadmierną reprezentację tej grupy w pozytywnych przykładach. Aby skorygować tę nierównowagę i zmniejszyć uprzedzenia, inżynier powinien niedopróbkować (undersample) pozytywne przykłady w tej konkretnej grupie wiekowej. Niedopróbkowanie pozytywnych przykładów we wszystkich grupach wiekowych z wyjątkiem 40–45 lat pogłębiłoby problem. Przepróbkowanie pozytywnych przykładów w grupie 40–45 lat jeszcze bardziej zwiększyłoby ich reprezentację. Przepróbkowanie klasy negatywnej dla innych grup wiekowych nie rozwiązałoby problemu nadmiernej reprezentacji pozytywnych przykładów w grupie 40–45 lat.