Correction d’un modèle biaisé par déséquilibre structurel des données

Scénario

Contexte : Un modèle de scoring présente des disparités significatives selon certains groupes. Le Problème : Les données d’entraînement sont déséquilibrées et introduisent un biais indirect. Extrait logique actuelle : Entraînement sur dataset non équilibré Contraintes : Analyser distribution des données. Introduire pondération ou rééchantillonnage. Mesurer équité via métriques adaptées. Livrable attendu : Proposer une stratégie complète de mitigation du biais dans un modèle TensorFlow.

Compétences ciblées