Usted entrena un perceptrón multicapa (MLP) en un conjunto de datos multiclase donde una clase objetivo es rara y el recall para esa clase es demasiado bajo. Cambiar la arquitectura del MLP no ayuda. ¿Qué cambio es más probable que mejore el recall rápidamente?

Añadir pesos de clase a la función de pérdida es la solución más rápida y efectiva para mejorar el recall de una clase minoritaria. Al asignar un peso mayor a los errores de clasificación de la clase rara, el modelo se ve incentivado a prestarle más atención durante el entrenamiento, lo que directamente mejora su capacidad para identificarla. Recopilar más datos es una buena práctica a largo plazo, pero no es una solución rápida. Reemplazar el MLP con k-means no es adecuado para la clasificación supervisada y la detección de anomalías es para un problema diferente (identificar datos atípicos, no clasificar una clase específica).