Si addestra un percettrone multistrato (MLP) su un dataset multiclasse in cui una classe target è rara e il recall per quella classe è troppo basso. La modifica dell'architettura MLP non è d'aiuto. Quale modifica ha maggiori probabilità di migliorare rapidamente il recall?

Aggiungere pesi di classe alla funzione di perdita è una tecnica efficace per affrontare lo squilibrio di classe. Assegnando un peso maggiore alla classe rara, si penalizzano maggiormente le misclassificazioni di quella classe, spingendo il modello a prestarle più attenzione e migliorando il recall. Raccogliere più dati è spesso utile, ma richiede tempo e risorse significativi e potrebbe non essere la soluzione più rapida. Il clustering k-means è un algoritmo di raggruppamento non supervisionato e non è adatto per problemi di classificazione supervisionata. I modelli di rilevamento delle anomalie sono progettati per identificare punti dati insoliti, non per migliorare il recall in un problema di classificazione multiclasse con classi sbilanciate.