Trenujesz perceptron wielowarstwowy (MLP) na wieloklasowym zbiorze danych, gdzie jedna klasa docelowa jest rzadka, a jej wskaźnik recall jest zbyt niski. Zmiana architektury MLP nie pomaga. Jaka zmiana najprawdopodobniej szybko poprawi wskaźnik recall?

Dodanie wag klas do funkcji straty MLP jest najskuteczniejszym sposobem na poprawę recall dla rzadkiej klasy. Wagi te zwiększają karę za błędne klasyfikowanie rzadkich przykładów, co skłania model do większej uwagi na nie podczas treningu. Zbieranie większej liczby danych jest czasochłonne i kosztowne, a w przypadku bardzo rzadkich klas może być nadal niewystarczające. Klasteryzacja k-średnich jest metodą nienadzorowaną i nie nadaje się do bezpośredniego przewidywania konkretnej klasy docelowej w problemie klasyfikacji. Model wykrywania anomalii jest przeznaczony do identyfikowania odstających punktów danych, a nie do klasyfikacji wieloklasowej, gdzie jedna z klas jest po prostu rzadka.