Você treina um perceptron de múltiplas camadas (MLP) em um conjunto de dados multiclasse onde uma classe-alvo é rara e o recall para essa classe é muito baixo. Alterar a arquitetura do MLP não ajuda. Qual mudança tem maior probabilidade de melhorar o recall rapidamente?

Aumentar o peso da classe rara na função de perda incentiva o modelo a dar mais atenção a essa classe durante o treinamento, penalizando mais severamente as classificações incorretas dela. Isso é uma técnica eficaz para lidar com conjuntos de dados desbalanceados e melhorar o recall para a classe minoritária. Coletar mais dados é uma boa prática, mas pode ser demorado e caro, e não garante uma melhoria imediata. K-means clustering é um algoritmo de agrupamento não supervisionado e não é adequado para classificação multiclasse supervisionada. Modelos de detecção de anomalias são usados para identificar pontos de dados incomuns, não para melhorar o recall de uma classe específica em um problema de classificação multiclasse.