L’exactitude globale peut être insuffisante avec des classes déséquilibrées car elle favorise le résultat sur la classe majoritaire et cache les erreurs importantes sur les autres.
Préserver la répartition des classes dans le jeu de test permet de mesurer le modèle dans des conditions proches de celles qu’il rencontrera après son déploiement.
Traiter une classe nouvelle apparue après le déploiement consiste à la détecter, la documenter et décider d’une réponse sûre avant de modifier le modèle.
Mesurer un déséquilibre de classes consiste à comparer le nombre d’exemples de chaque catégorie et la part qu’ils représentent dans les données du robot.
Une pondération des classes donne plus d’importance aux exemples rares pendant l’entraînement, afin qu’un modèle robotique ne privilégie pas toujours la catégorie majoritaire.