Correction d’un déséquilibre de classes dans un réseau profond

Scénario

Contexte : Un modèle de détection d’anomalies comporte une forte majorité de données normales. Le Problème : Le réseau apprend principalement la classe majoritaire. Extrait logique actuelle : model.fit(X_train, y_train) Sans pondération des classes. Contraintes : Introduire class weights ou sur-échantillonnage. Adapter métriques (recall, F1). Comparer résultats. Livrable attendu : Corriger l’entraînement afin d’améliorer la détection de la classe minoritaire.

Compétences ciblées