Je traint een meerlagige perceptron (MLP) op een multiclass dataset waarbij één doelklasse zeldzaam is en de recall voor die klasse te laag is. Het wijzigen van de MLP-architectuur helpt niet. Welke verandering zal de recall waarschijnlijk snel verbeteren?

De recall voor een zeldzame klasse is te laag, wat duidt op een onevenwichtige dataset. Het toevoegen van klasse-gewichten aan de verliesfunctie compenseert dit door de zeldzame klasse meer gewicht te geven tijdens de training. Dit moedigt het model aan om meer aandacht te besteden aan het correct classificeren van deze klasse, wat de recall direct verbetert. Meer gelabelde voorbeelden verzamelen is een langetermijnoplossing en niet snel. K-means clustering is een unsupervised leeralgoritme en ongeschikt voor classificatie. Anomaliedetectie is bedoeld voor het identificeren van afwijkende patronen, niet voor het verbeteren van de recall van een specifieke zeldzame klasse in een multiclass classificatieprobleem.