Réponse rapide
Équilibrer les classes d’un jeu de données robotique évite qu’un modèle obtienne un bon score global en négligeant une classe rare. Mesures par classe, pondération ou collecte ciblée rendent apprentissage et évaluation cohérents avec le coût réel de chaque erreur.
Voir ce que la moyenne masque
Détecteur répondant toujours « pas d’obstacle » peut sembler précis si obstacles sont rares. Rappel, précision, faux positifs et matrice de confusion révèlent les écarts.
Traiter un défaut peu fréquent
Défauts critiques sont collectés et annotés séparément puis testés sur scènes nouvelles. Seuil est choisi selon coût d’un défaut manqué, pas seulement exactitude globale.
Équilibrer sans fabriquer un signal
Sur-échantillonnage répète exemples et peut sur-apprendre ; pondération modifie calibration. Stratégie est vérifiée sur test proche du trafic réel.
Sources et références
- [1] Model Evaluation — scikit-learn User Guide — scikit-learn
- [2] Artificial Intelligence Risk Management Framework (AI RMF 1.0) — NIST