Contexte : Une banque souhaite détecter les fraudes dans un dataset fortement déséquilibré. Le Problème : Le modèle prédit majoritairement la classe majoritaire et ignore les fraudes. Contraintes : Appliquer techniques de gestion du déséquilibre (pondération des classes ou rééchantillonnage). Utiliser métriques adaptées (recall, F1-score). Comparer performances avant/après ajustement. Livrable attendu : Concevoir un modèle de classification robuste adapté aux classes déséquilibrées avec évaluation pertinente.