在影像分類訓練工作中，工程師觀察到資料集中的類別不平衡。工程師應該採取哪種行動來解決這種不平衡？

當影像分類資料集存在類別不平衡時，隨機過度取樣 (random oversampling) 是一種有效的解決方案。它透過複製少數類別的樣本來增加其數量，使各類別的樣本分佈更趨平衡，從而防止模型偏向多數類別，提高模型對少數類別的識別能力。 減少資料集的大小會丟失有價值的資訊，可能導致模型表現下降。轉換資料集中的部分影像（如旋轉、翻轉）是資料增強的一種形式，雖然有助於提高模型泛化能力，但本身不能直接解決類別不平衡問題。隨機資料分割是將資料集劃分為訓練集、驗證集和測試集的方法，與解決類別不平衡無關。