Çok sınıflı bir veri kümesinde çok katmanlı bir perceptron eğitiyorsunuz. Hedef sınıflardan biri nadir ve o sınıf için recall çok düşük. MLP mimarisini değiştirmek yardımcı olmuyor. Recall'u hızlı bir şekilde iyileştirmesi en muhtemel değişiklik nedir?

Doğru cevap, MLP kayıp fonksiyonuna sınıf ağırlıkları eklemek ve modeli yeniden eğitmektir. Sınıf ağırlıkları, nadir sınıflara daha yüksek bir maliyet atayarak modelin bu sınıfları daha iyi öğrenmesini sağlar. Bu, özellikle recall gibi nadir sınıfların doğru tanımlanmasına odaklanan metrikleri iyileştirmek için etkili bir yöntemdir. Diğer seçenekler neden doğru değil: Mechanical Turk gibi bir hizmet kullanarak daha fazla etiketli örnek toplamak, veri toplama süreci zaman alıcı ve maliyetli olabilir ve hemen bir iyileşme sağlamayabilir. MLP'yi k-means kümeleme ile değiştirmek, k-means denetimsiz bir öğrenme algoritmasıdır ve doğrudan sınıflandırma görevleri için uygun değildir. MLP yerine bir anomali tespit modeli kullanmak, anomali tespiti nadir sınıfları bulmak için kullanılabilir ancak doğrudan çok sınıflı sınıflandırma problemine çözüm değildir ve mevcut modelin performansını iyileştirmeyebilir.