Een data scientist traint een meerlaagse perceptron (MLP) voor een multiclass probleem. Eén klasse is zeldzaam en de recall van het model voor die klasse is onacceptabel laag. De wetenschapper heeft het aantal en de grootte van de verborgen lagen al aangepast zonder significante verbetering en heeft een snelle oplossing nodig om de recall te verhogen. Welke aanpak moet worden gebruikt?

De recall voor de zeldzame klasse is onacceptabel laag, wat duidt op een onevenwichtige dataset. Het toevoegen van klasse-gewichten aan de verliesfunctie is een effectieve en snelle methode om dit aan te pakken. Dit geeft de zeldzame klasse meer belang tijdens de training, waardoor het model beter leert om deze te identificeren. Meer gelabelde voorbeelden verzamelen via Amazon Mechanical Turk is een goede langetermijnoplossing, maar geen snelle oplossing. Het vervangen van de MLP door een anomaliedetectiemodel is niet geschikt, aangezien het een multiclass classificatieprobleem betreft, geen anomaliedetectie. Het vervangen van de MLP door een XGBoost-model kan de prestaties verbeteren, maar pakt het onderliggende probleem van de klasse-onbalans niet direct aan zonder verdere configuratie, en is bovendien niet per se een snelle oplossing.