假设我正在为一个二元分类任务训练一个神经网络，它具有 A 类和 B 类，它是使用带有交叉熵损失函数的梯度下降来训练的。数据集是不平衡的，A 的示例是 B 的两倍。因此，我的训练将偏向于 A 类，并且会“更努力地”预测 A，而牺牲 B 类。

对此有两种可能的解决方案：

(1) 在损失函数中加入一个系数，在梯度计算时降低 A 的样本权重。

(2) 不要在网络输出上使用 0.5 的阈值来确定预测的类别，而是更改此阈值，以便 A 类的预测需要比 B 类的预测“更有信心”。

这两种解决方案看似相关，但也大相径庭。

这两者之间有什么关系？（1）中的系数实际上与（2）中的阈值相同吗？