Specjalista ds. danych trenuje perceptron wielowarstwowy (MLP) dla problemu wieloklasowego. Jedna klasa jest rzadka, a wskaźnik recall modelu dla tej klasy jest niedopuszczalnie niski. Specjalista dostosował już liczbę i rozmiar warstw ukrytych bez znaczącej poprawy i potrzebuje szybkiego rozwiązania, aby zwiększyć wskaźnik recall. Które podejście należy zastosować?

Poprawną opcją jest dodanie wag klas do funkcji straty MLP i ponowne wytrenowanie modelu. Problem niskiego recall dla rzadkiej klasy wskazuje na niezbalansowanie zbioru danych. Dodanie wag klas do funkcji straty (np. w funkcji straty entropii krzyżowej) przypisuje większą karę za błędną klasyfikację przykładów z rzadkiej klasy. To zachęca model do poświęcenia większej uwagi tej klasie podczas treningu, co bezpośrednio poprawia recall. Pozostałe opcje są mniej efektywne lub nieodpowiednie: Zebranie większej liczby przykładów jest czasochłonne i może nie być szybkim rozwiązaniem. Zastąpienie MLP modelem wykrywania anomalii jest nieodpowiednie, ponieważ problemem jest klasyfikacja wieloklasowa, a nie wykrywanie anomalii. Zastąpienie MLP modelem XGBoost, choć XGBoost jest potężny, nie rozwiązuje bezpośrednio problemu niezbalansowania klas bez dodatkowych modyfikacji (np. ważenia klas w XGBoost).