Вы обучаете многослойный перцептрон на многоклассовом наборе данных, где один целевой класс встречается редко, а полнота для этого класса слишком низка. Изменение архитектуры MLP не помогает. Какое изменение, скорее всего, быстро улучшит полноту?

Добавление весов классов в функцию потерь MLP является эффективным способом борьбы с несбалансированными наборами данных, когда один класс встречается редко. Присваивая больший вес редкому классу, модель будет сильнее штрафоваться за неправильную классификацию этого класса, что приведет к улучшению полноты (recall) для него. Сбор большего количества размеченных примеров может помочь, но это трудоемкий и дорогостоящий процесс, который не является быстрым решением. Замена MLP на кластеризацию k-средних не подходит, так как k-средних — это метод неконтролируемого обучения, который не предназначен для классификации и не может напрямую улучшить полноту для конкретного целевого класса. Использование модели обнаружения аномалий также не является подходящим решением, так как это другой тип задачи, предназначенный для выявления выбросов, а не для улучшения полноты в многоклассовой классификации.