データサイエンティストが、多クラス問題のために多層パーセプトロン（MLP）をトレーニングしています。あるクラスはまれであり、そのクラスに対するモデルのリコールが許容できないほど低いです。サイエンティストは、隠れ層の数とサイズを調整しましたが、意味のある改善は見られず、リコールを上げるための迅速な解決策を必要としています。どの方法を使用すべきですか？

正解は、MLP の損失関数にクラス重みを追加し、再トレーニングする、です。これは、不均衡なデータセットにおいて、まれなクラスに対するモデルのリコールを改善するための効果的かつ迅速な解決策です。クラス重みを追加することで、モデルはまれなクラスの誤分類に対してより大きなペナルティを課し、そのクラスの予測を改善するように促されます。 他の選択肢は、この状況では最適ではありません。 Amazon Mechanical Turk を介してより多くのラベル付きサンプルを収集することは、時間がかかり、迅速な解決策にはなりません。 MLP を異常検出モデルに置き換えることは、多クラス分類問題の性質を変更することになり、適切ではありません。異常検出は通常、少数の異常クラスを特定するために使用されます。 MLP を XGBoost モデルに置き換えることは、モデルアーキテクチャの大幅な変更であり、迅速な解決策としては複雑すぎます。また、XGBoostも不均衡なデータに対してはクラス重み付けなどの対策が必要になる場合があります。