Um cientista de dados está treinando um perceptron multicamadas (MLP) para um problema de multiclasse. Uma classe é rara e o recall do modelo para essa classe é inaceitavelmente baixo. O cientista já ajustou o número e o tamanho das camadas ocultas sem melhorias significativas e precisa de uma solução rápida para aumentar o recall. Qual abordagem deve ser usada?

Ajustar pesos de classe na função de perda é a abordagem mais eficaz e rápida para melhorar o recall de uma classe rara em um MLP. Isso penaliza mais os erros na classe rara, incentivando o modelo a prestar mais atenção a ela, sem exigir grandes mudanças arquitetônicas ou coleta de dados. Coletar mais dados via Mechanical Turk é demorado e não garante a resolução do problema de desequilíbrio. Substituir o MLP por um modelo de detecção de anomalias é inadequado, pois o problema é de classificação multiclasse, não de detecção de anomalias. Substituir por XGBoost pode melhorar o desempenho, mas não aborda diretamente o desequilíbrio de classes de forma tão direcionada quanto os pesos de classe.