一位機器學習工程師正在訓練一個二元健康風險模型（陽性 = 可能有風險，陰性 = 不太可能），其中包含 30-60 歲的年齡作為特徵。在 40-45 歲年齡組中，陽性類別的標籤比例差異 (DPL) 相較於其他年齡組為 +0.9，這表示過度代表。工程師應該如何糾正這種不平衡？

標籤比例差異 (DPL) 為 +0.9 表示在 40-45 歲年齡組中，陽性類別的樣本數量相對於其他組別被過度代表。為了糾正這種不平衡，工程師應該減少該組中陽性樣本的數量，這可以透過對 40-45 歲年齡組中的陽性樣本進行不足取樣來實現。過度取樣會加劇不平衡。對其他年齡組進行不足取樣或對陰性類別進行過度取樣不會直接解決 40-45 歲組中陽性類別的過度代表問題。