데이터 과학자가 다중 클래스 문제 해결을 위해 MLP(다층 퍼셉트론)를 훈련하고 있습니다. 한 클래스는 드물고 해당 클래스에 대한 모델의 재현율이 허용할 수 없을 정도로 낮습니다. 과학자는 이미 의미 있는 개선 없이 은닉 계층의 수와 크기를 조정했으며 재현율을 높이기 위한 빠른 해결책이 필요합니다. 어떤 접근 방식을 사용해야 할까요?

정답은 MLP 손실 함수에 클래스 가중치를 추가하고 다시 훈련하는 것입니다. 클래스 가중치는 드문 클래스(소수 클래스)에 더 큰 페널티를 부여하여 모델이 해당 클래스를 더 잘 학습하도록 유도합니다. 이는 재현율을 높이는 효과적인 방법입니다. 오답 설명: Amazon Mechanical Turk를 통해 레이블이 지정된 예제를 더 많이 수집하는 것은 데이터 불균형을 해결하는 좋은 방법이지만, "빠른 해결책"이라는 문제의 요구사항에 부합하지 않습니다. 데이터 수집 및 재훈련에는 시간이 소요됩니다. MLP를 이상 감지 모델로 교체하는 것은 다중 클래스 분류 문제에 적합하지 않습니다. 이상 감지 모델은 주로 정상 데이터와 비정상 데이터를 구분하는 데 사용됩니다. MLP를 XGBoost 모델로 교체하는 것은 다른 모델을 시도하는 것이지만, 모델 변경만으로는 데이터 불균형으로 인한 재현율 문제를 직접적으로 해결하지 못할 수 있습니다. 클래스 가중치와 같은 기법을 XGBoost에서도 사용할 수 있지만, 기존 MLP에 적용하는 것이 더 빠릅니다.