Bir veri bilimci, çok sınıflı bir problem için çok katmanlı bir algılayıcı (MLP) eğitiyor. Sınıflardan biri nadir ve modelin o sınıf için geri çağırması (recall) kabul edilemez derecede düşük. Bilimci, gizli katmanların sayısını ve boyutunu zaten ayarladı ancak anlamlı bir iyileşme elde edemedi ve geri çağırmayı artırmak için hızlı bir çözüme ihtiyacı var. Hangi yaklaşım kullanılmalıdır?

Doğru cevap, MLP kayıp fonksiyonuna sınıf ağırlıkları eklemek ve modeli yeniden eğitmektir. Bu yöntem, nadir sınıfın kayıp hesaplamasına daha fazla katkıda bulunmasını sağlayarak modelin bu sınıfı daha iyi öğrenmesini ve dolayısıyla geri çağırmasını artırmasını sağlar. Nadir sınıflar için geri çağırmayı iyileştirmek için hızlı ve etkili bir çözümdür. Amazon Mechanical Turk aracılığıyla daha fazla etiketli örnek toplamak zaman alıcıdır ve "hızlı çözüm" gereksinimini karşılamaz. MLP'yi bir anomali tespiti modeliyle değiştirmek, çok sınıflı bir sınıflandırma problemi için uygun değildir, çünkü anomali tespiti genellikle ikili sınıflandırma veya tek sınıf öğrenimi için kullanılır. MLP'yi bir XGBoost modeliyle değiştirmek, farklı bir model mimarisi kullanmak anlamına gelir ve modelin nadir sınıfla ilgili temel sorununu doğrudan ele almaz; ayrıca, hızlı bir çözüm olmayabilir ve MLP'nin performansını garanti etmez.