Специалист по данным обучает многослойный перцептрон (MLP) для задачи многоклассовой классификации. Один класс встречается редко, и показатель recall модели для этого класса неприемлемо низок. Специалист уже корректировал количество и размер скрытых слоев без существенного улучшения и нуждается в быстром решении для повышения recall. Какой подход следует использовать?

Добавление весов классов в функцию потерь MLP является эффективным способом решения проблемы несбалансированных классов. Это позволяет модели уделять больше внимания редкому классу во время обучения, увеличивая штраф за неправильную классификацию примеров этого класса. Это напрямую улучшает recall для редкого класса, поскольку модель будет стремиться минимизировать ложноотрицательные результаты для него. Сбор большего количества данных через Amazon Mechanical Turk может быть эффективным, но это не "быстрое решение", так как требует времени на сбор и разметку. Замена MLP моделью обнаружения аномалий не подходит, так как это задача многоклассовой классификации, а не обнаружения аномалий. Замена на XGBoost может улучшить производительность, но не гарантирует решения проблемы несбалансированных классов без дополнительных настроек, таких как взвешивание классов.