Vous entraînez un perceptron multicouche sur un jeu de données multiclasse où une classe cible est rare et le rappel pour cette classe est trop faible. La modification de l'architecture du MLP n'aide pas. Quel changement est le plus susceptible d'améliorer rapidement le rappel ?

L'ajout de poids de classe à la fonction de perte est la solution la plus directe et la plus rapide pour améliorer le rappel d'une classe rare dans un jeu de données déséquilibré. En attribuant un poids plus élevé aux erreurs commises sur la classe rare, le modèle est pénalisé davantage pour les fausses négatives de cette classe, l'encourageant ainsi à mieux la reconnaître. Collecter plus de données est une bonne pratique à long terme, mais ce n'est pas une solution rapide et peut être coûteux. Le clustering k-means est une méthode non supervisée et n'est pas adaptée pour améliorer le rappel d'une classe spécifique dans un problème de classification supervisée. La détection d'anomalies est conçue pour identifier des points de données inhabituels, pas pour améliorer le rappel d'une classe minoritaire dans un problème de classification multiclasse.