Bir görüntü sınıflandırma eğitim işi sırasında, bir mühendis veri setinde sınıf dengesizliği olduğunu gözlemler. Mühendis, bu dengesizliği gidermek için hangi eylemi yapmalıdır?

Sınıf dengesizliği, bir sınıfın diğerlerinden önemli ölçüde daha az örneğe sahip olması durumudur. Rastgele aşırı örnekleme (random oversampling), azınlık sınıfındaki örnekleri rastgele çoğaltarak sınıf dağılımını dengelemeye yardımcı olur. Bu, modelin azınlık sınıfını daha iyi öğrenmesini ve tahmin etmesini sağlar. Veri setinin boyutunu küçültmek, mevcut bilgiyi azaltarak model performansını düşürebilir. Görüntüleri dönüştürmek (veri artırma), genellikle veri setini büyütmek ve genellemeyi iyileştirmek için kullanılır, ancak doğrudan sınıf dengesizliğini gidermez. Rastgele veri bölme (random data splitting), eğitim ve test setlerini oluşturmak için kullanılır ve sınıf dengesizliği sorununu çözmez.