Ein Data Scientist trainiert ein Multilayer Perceptron (MLP) für ein Multiklassenproblem. Eine Klasse ist selten, und der Recall des Modells für diese Klasse ist inakzeptabel niedrig. Der Wissenschaftler hat bereits die Anzahl und Größe der Hidden Layer angepasst, ohne eine signifikante Verbesserung zu erzielen, und benötigt eine schnelle Lösung, um den Recall zu erhöhen. Welcher Ansatz sollte verwendet werden?

Das Hinzufügen von Klassengewichten zur Verlustfunktion ist die effektivste und schnellste Methode, um den Recall für seltene Klassen zu verbessern, da es das Modell dazu anregt, diese Klassen stärker zu berücksichtigen. Das Sammeln weiterer Daten ist zeitaufwändig und garantiert keine schnelle Lösung. Das Ersetzen des Modells durch ein Anomalieerkennungsmodell ist nicht geeignet, da es sich um ein Multiklassenproblem handelt, nicht um Anomalieerkennung. Der Wechsel zu XGBoost könnte zwar die Leistung verbessern, ist aber keine schnelle Lösung und erfordert möglicherweise eine umfangreiche Hyperparameter-Optimierung, ohne direkt das Problem der Klassenungleichheit anzugehen.