Uno scienziato dei dati sta addestrando un percettrone multistrato (MLP) per un problema multiclasse. Una classe è rara e il richiamo del modello per quella classe è inaccettabilmente basso. Lo scienziato ha già regolato il numero e la dimensione degli strati nascosti senza miglioramenti significativi e ha bisogno di una soluzione rapida per aumentare il richiamo. Quale approccio dovrebbe essere utilizzato?

L'aggiunta di pesi di classe alla funzione di perdita dell'MLP è la soluzione più rapida ed efficace per migliorare il richiamo di una classe rara. Assegna un peso maggiore agli errori di classificazione per la classe minoritaria, incoraggiando il modello a prestarle più attenzione durante l'addestramento. Raccogliere più esempi è una soluzione a lungo termine che richiede tempo e risorse. Sostituire l'MLP con un modello di rilevamento delle anomalie è inappropriato, poiché il problema è una classificazione multiclasse con una classe sbilanciata, non il rilevamento di anomalie. Sostituire l'MLP con XGBoost potrebbe migliorare le prestazioni, ma non è garantito che risolva il problema del richiamo della classe rara in modo più efficiente rispetto ai pesi di classe, e richiede una riprogettazione del modello.