一位数据科学家正在为多分类问题训练一个多层感知器 (MLP)。其中一个类别很少见，并且模型对该类别的召回率低得令人无法接受。该科学家已经调整了隐藏层的数量和大小，但没有显著改进，需要一个快速解决方案来提高召回率。应该使用哪种方法？

正确答案是向 MLP 损失函数添加类别权重并重新训练。当数据集中存在类别不平衡（即某些类别样本量远少于其他类别）时，模型往往会偏向于样本量大的类别，导致对少数类别的召回率低。通过在损失函数中为少数类别分配更高的权重，模型在训练时会更加关注这些类别，从而提高其召回率。 收集更多带标签的样本虽然可以解决数据不平衡问题，但通常耗时且成本高昂，不符合“快速解决方案”的要求。用异常检测模型替换 MLP 不适用于多分类问题，异常检测通常用于识别与大多数数据模式显著不同的数据点。用 XGBoost 模型替换 MLP 是一种模型选择，虽然 XGBoost 在许多情况下表现良好，但它本身并不能直接解决类别不平衡导致的召回率低问题，除非结合其他技术（如欠采样、过采样或调整损失函数）使用。