Un scientifique des données entraîne un perceptron multicouche (MLP) pour un problème de classification multiclasse. Une classe est rare et le rappel du modèle pour cette classe est inacceptablement bas. Le scientifique a déjà ajusté le nombre et la taille des couches cachées sans amélioration significative et a besoin d'une solution rapide pour augmenter le rappel. Quelle approche devrait être utilisée ?

L'ajout de poids de classe à la fonction de perte est une technique efficace pour gérer les ensembles de données déséquilibrés, où une classe est sous-représentée. En attribuant un poids plus élevé à la classe rare, le modèle est pénalisé davantage pour les erreurs sur cette classe, ce qui l'incite à mieux la prédire et à augmenter son rappel. Cette solution est rapide à implémenter et ne nécessite pas de modifications architecturales majeures. Collecter plus d'exemples étiquetés est une bonne stratégie à long terme, mais pas une solution rapide. Remplacer le MLP par un modèle de détection d'anomalies n'est pas approprié car il s'agit d'un problème de classification multiclasse, pas de détection d'anomalies. Remplacer le MLP par un modèle XGBoost pourrait améliorer les performances, mais n'adresse pas directement le déséquilibre de classe aussi efficacement que les poids de classe pour augmenter spécifiquement le rappel de la classe rare.