一位資料科學家正在為一個多類別問題訓練多層感知器 (MLP)。其中一個類別很少見，而且模型對該類別的召回率低到無法接受。這位科學家已經調整了隱藏層的數量和大小，但沒有顯著改善，需要一個快速解決方案來提高召回率。應該使用哪種方法？

正確答案是「在 MLP 損失函數中加入類別權重並重新訓練」。當資料集存在類別不平衡時（即某些類別的樣本數量遠少於其他類別），模型往往會忽略少數類別，導致其召回率低。在損失函數中加入類別權重，可以提高模型對少數類別錯誤分類的懲罰，促使模型更關注這些類別，從而提高其召回率。 其他選項不正確的原因： 透過 Amazon Mechanical Turk 收集更多帶有標籤的範例並重新訓練模型：這是一個長期解決方案，但題目要求「快速解決方案」。 用異常偵測模型取代 MLP：異常偵測模型通常用於識別與大多數資料顯著不同的資料點，不適用於解決多類別分類中少數類別召回率低的問題。 用 XGBoost 模型取代 MLP：XGBoost 是一種強大的模型，但更換模型本身不一定能解決類別不平衡問題，除非也同時處理了類別權重或採樣策略。