Quand utiliser une pondération des classes pour entraîner un modèle robotique ?

Faire compter les cas rares

La perte d’apprentissage pénalise davantage une erreur sur une classe peu représentée, avec des poids choisis à partir des données.

Repérer un obstacle inhabituel

Le robot voit surtout le sol mais quelques objets dangereux sont rares ; leur poids augmente pour éviter qu’ils soient ignorés.

Un poids trop élevé peut amplifier le bruit

Étiquettes douteuses et classe minuscule déstabilisent l’apprentissage. Validation séparée et réglage sur le coût réel sont indispensables.

Sources et références

1. [1] Classifier comparison and class weights — scikit-learn — scikit-learn
2. [2] AI Risk Management Framework — NIST

Questions liées

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