Sie trainieren ein mehrschichtiges Perzeptron (MLP) auf einem Multiklassen-Datensatz, bei dem eine Zielklasse selten ist und der Recall für diese Klasse zu niedrig ist. Eine Änderung der MLP-Architektur hilft nicht. Welche Änderung verbessert den Recall am schnellsten?

Die Hinzufügung von Klassengewichten zur Verlustfunktion ist die schnellste und effektivste Methode, um den Recall für eine seltene Klasse zu verbessern. Durch die Zuweisung eines höheren Gewichts zu Fehlern bei der Vorhersage der seltenen Klasse wird das Modell dazu angeregt, diese Klasse genauer zu lernen und zu identifizieren. Das Sammeln weiterer beschrifteter Beispiele ist zwar eine gute langfristige Strategie, aber zeitaufwändig und nicht die schnellste Lösung. Das Ersetzen des MLP durch k-Means-Clustering oder ein Anomalieerkennungsmodell ist nicht geeignet, da diese Methoden für unüberwachte Lernaufgaben oder die Erkennung von Ausreißern konzipiert sind und nicht direkt das Problem des niedrigen Recalls bei einer spezifischen Zielklasse in einem überwachten Klassifikationsszenario lösen.