Un científico de datos está entrenando un perceptrón multicapa (MLP) para un problema de clasificación multiclase. Una clase es poco frecuente y el recall del modelo para esa clase es inaceptablemente bajo. El científico ya ha ajustado el número y el tamaño de las capas ocultas sin una mejora significativa y necesita una solución rápida para aumentar el recall. ¿Qué enfoque debería utilizarse?

La adición de pesos de clase a la función de pérdida es una estrategia eficaz para abordar el desequilibrio de clases en problemas de clasificación multiclase. Al asignar un peso mayor a la clase minoritaria (la clase poco frecuente), el modelo se penaliza más por clasificarla incorrectamente, lo que lo impulsa a prestarle más atención durante el entrenamiento y, en consecuencia, a mejorar su recall. Recopilar más datos es una buena práctica a largo plazo, pero no es una solución rápida. Reemplazar el MLP con un modelo de detección de anomalías es inapropiado, ya que el problema es de clasificación multiclase, no de detección de anomalías. Reemplazar el MLP con XGBoost podría mejorar el rendimiento, pero no aborda directamente el desequilibrio de clases de la misma manera específica que los pesos de clase, y podría requerir más ajuste.