Kelas positif yang langka bisa tersembunyi di balik angka akurasi yang tinggi. Bobot kelas mengubah cara kesalahan pelatihan berkontribusi pada loss; ambang keputusan mengubah probabilitas hasil fit mana yang masuk ke antrean peninjauan. Keduanya adalah pilihan yang terpisah. Anda akan melakukan fit pipeline berbobot, menerapkan ambang batas validasi, dan menghitung recall dengan kelas positif sebagai kejadian. Antrean kosong membutuhkan konvensi presisi yang dideklarasikan karena tidak ada prediksi positif yang bisa dijadikan pembagi. Jaga agar set uji tetap di luar pemilihan ambang batas. Dalam peninjauan penipuan yang sebenarnya, tingkat penemuan dan beban kerja sama-sama penting, sehingga skor model saja tidak dapat menentukan kebijakan operasionalnya.
Bobot seimbang meningkatkan kontribusi kelas yang lebih jarang muncul dalam pelatihan tanpa menggandakan pengamatan uji.