Pourquoi équilibrer les classes d’un jeu de données robotique ?
Mise à jour28 août 2026
Lecture1 minute
Réponse rapide
Équilibrer les classes d’un jeu de données robotique limite la tendance d’un modèle à privilégier la catégorie la plus fréquente et à négliger les cas rares.
Donner une chance aux catégories minoritaires
Collecte ciblée, pondération ou échantillonnage peuvent rapprocher l’apprentissage du coût réel des erreurs.Repérer des objets dangereux
Les exemples de verre cassé sont rares mais importants ; ils sont vérifiés et suffisamment présents pour être évalués séparément.Équilibrer artificiellement peut déformer le terrain
Le robot ne verra pas autant de cas rares en production. Il faut conserver aussi une mesure à la fréquence réelle.
Sources et références
- [1] Metrics and scoring: quantifying the quality of predictions — scikit-learn
- [2] AI Risk Management Framework — NIST