Comment traiter un déséquilibre de classes dans un modèle robotique supervisé ?
Mise à jour28 août 2026
Lecture1 minute
Réponse rapide
Un déséquilibre de classes apparaît quand un modèle voit beaucoup plus d’exemples d’un cas que des autres. On mesure chaque classe, adapte l’entraînement et vérifie surtout les erreurs du cas rare.
Le taux global peut tromper
Avec 99 pièces normales et une pièce défectueuse, un modèle qui répond toujours « normale » atteint 99 % de réussite mais ne détecte aucun défaut. La classe rare doit avoir une mesure dédiée.
Détecter une fissure
On peut pondérer davantage les fissures, échantillonner les cas rares ou recueillir de nouvelles images. Le seuil est ensuite choisi selon le coût d’un défaut manqué et d’une fausse alerte.Dupliquer une image ne crée pas une nouvelle panne
Copier les mêmes exemples peut faire croire au modèle qu’il a vu plus de variété. Les essais gardent des pièces et des conditions séparées de l’entraînement.
Sources et références
- [1] Metrics and scoring: quantifying the quality of predictions — scikit-learn