Comment mesurer un déséquilibre de classes dans les données d’un robot ?

Compter avant d’entraîner

On calcule proportions, minimum, maximum et répartition par contexte plutôt que de regarder seulement le total d’images.

Détecter des palettes

Un jeu contient 9 000 palettes intactes mais 100 palettes cassées : un score global élevé peut masquer les erreurs sur les cas rares.

Le comptage ne mesure pas la difficulté

Deux classes aussi nombreuses peuvent être très différentes à reconnaître. Il faut aussi examiner variété, qualité et conditions de prise de vue.

Sources et références

1. [1] Metrics and scoring: quantifying the quality of predictions — scikit-learn
2. [2] AI Risk Management Framework — NIST

Questions liées

• Quand utiliser une pondération des classes pour entraîner un modèle robotique ?
• Pourquoi l’exactitude globale est-elle insuffisante avec des classes déséquilibrées ?
• Pourquoi faut-il préserver la répartition des classes dans le jeu de test ?
• Comment traiter une classe nouvelle apparue après le déploiement d’un robot ?

Cette réponse vous a-t-elle été utile ?

OuiNon

Commentaire facultatif