다중 클래스 데이터세트에서 다층 퍼셉트론(MLP)을 훈련하는데, 특정 타겟 클래스가 드물고 해당 클래스의 재현율(recall)이 너무 낮습니다. MLP 아키텍처를 변경해도 도움이 되지 않습니다. 재현율을 빠르게 개선할 가능성이 가장 높은 변경 사항은 무엇입니까?

정답은 "MLP 손실 함수에 클래스 가중치를 추가하고 모델을 재훈련합니다"입니다. 클래스 가중치는 드문 클래스에 더 높은 가중치를 부여하여 모델이 해당 클래스의 샘플에 더 집중하도록 만듭니다. 이는 모델이 소수 클래스를 더 잘 식별하도록 유도하여 재현율을 빠르게 개선할 수 있습니다. "Mechanical Turk와 같은 서비스를 사용하여 레이블이 지정된 예제를 더 많이 수집한 다음 모델을 재훈련합니다"는 장기적으로 도움이 될 수 있지만, 데이터 수집은 시간이 오래 걸리므로 '빠르게' 재현율을 개선하는 방법은 아닙니다. "MLP를 k-평균 클러스터링으로 교체하고 클러스터를 사용하여 타겟 클래스를 식별합니다"는 비지도 학습 방법으로, 레이블이 지정된 데이터가 있는 다중 클래스 분류 문제에 적합하지 않으며, 특정 타겟 클래스의 재현율 개선에 직접적인 해결책이 아닙니다. "MLP 대신 이상 감지 모델을 사용합니다"는 이상 감지 문제에 적합하지만, 다중 클래스 분류 문제, 특히 특정 클래스의 재현율 개선에는 적합하지 않습니다.