Как решаешь проблему отсутствия достаточного количества примеров для редких кейсов

Для редких классов применяю техники:

1. Аугментация - создание вариаций существующих данных (например, поворот/зеркалирование изображений)
2. Пересэмплинг - oversampling редких классов (SMOTE) или undersampling частых
3. Transfer Learning - использование предобученных моделей и fine-tuning
4. Генеративные модели - GANs или диффузионные модели для синтеза примеров
5. Метрики - фокус на recall/F1 вместо accuracy

Пример SMOTE:

from imblearn.over_sampling import SMOTE
sm = SMOTE(random_state=42)
X_res, y_res = sm.fit_resample(X_train, y_train)

Также полезно собирать больше данных или использовать слабый супервизион (weak supervision).