Veri setini eğitim ve doğrulama setlerine rastgele bölerek bir kuş sınıflandırma modeli oluşturdunuz. Eğitim doğruluğu çok yüksek ancak model doğrulama setinde kötü performans gösteriyor. Orijinal veri setinin dengesiz olduğunu keşfettiniz. Doğrulama performansını artırmak için ne yapmalısınız?

Modelin eğitim doğruluğu yüksekken doğrulama setinde kötü performans göstermesi, genellikle dengesiz veri setlerinde görülen bir aşırı uyum (overfitting) belirtisidir. Stratified sampling (tabakalı örnekleme), veri setindeki her sınıfın oranını eğitim ve doğrulama setlerinde koruyarak bu sorunu çözmeye yardımcı olur. Bu, modelin tüm sınıfları eşit şekilde öğrenmesini sağlar ve doğrulama performansını artırır. Çoğunluk sınıfları için daha fazla veri toplamak yerine, azınlık sınıfları için veri artırma (data augmentation) veya sentetik veri oluşturma gibi yöntemler daha etkili olabilir. Eğitim verisinin daha küçük bir alt kümesi üzerinde eğitim yapmak, modelin öğrenme kapasitesini kısıtlayarak yetersiz uyuma (underfitting) yol açabilir. Systematic sampling (sistematik örnekleme) ise veri setindeki dengesizliği gidermez ve benzer sorunlara yol açabilir.