Comment gérer un déséquilibre entre classes dans un apprentissage supervisé robotique ?
Mise à jour28 août 2026
Lecture1 minute
Réponse rapide
Un déséquilibre entre classes se gère en mesurant chaque classe, en choisissant un échantillonnage ou une pondération adaptée et en reliant l’erreur au risque robotique.
Rendre les rares visibles
Précision, rappel, matrice de confusion et coût des faux négatifs complètent l’exactitude globale.Détecter une personne
Les images sans personne dominent le jeu, mais le robot surveille séparément les faux négatifs avant de choisir un seuil.Rééquilibrer peut créer un autre biais
Dupliquer des exemples rares ou pondérer fortement peut surajuster. Validation indépendante et cas réels restent nécessaires.
Sources et références
- [1] Metrics and scoring: quantifying the quality of predictions — scikit-learn