Les apprentissages par peu d'exemples actuels se concentrent sur le développement de procédures d'entraînement efficaces pour les représentations de caractéristiques, avant d'utiliser des classificateurs simples, tels que le classificateur basé sur le centroïde le plus proche. Dans cet article, nous adoptons une approche orthogonale, indépendante des caractéristiques utilisées, et nous nous concentrons exclusivement sur l'apprentissage métaclassificateur de la couche de classification elle-même. Plus précisément, nous introduisons MetaQDA, une généralisation bayésienne de l'analyse discriminante quadratique classique, dans un cadre d'apprentissage métaclassificateur. Ce cadre présente plusieurs avantages intéressants pour les praticiens : l'apprentissage métaclassificateur est rapide et efficace en mémoire, sans nécessiter de fine-tuning des caractéristiques. Il est indépendant des caractéristiques prêtes à l'emploi choisies, et peut donc continuer à bénéficier des progrès réalisés dans les représentations de caractéristiques. Expérimentalement, il conduit à des performances robustes dans le cadre de l'apprentissage par peu d'exemples à travers des domaines, et, ce qui est crucial pour les applications réelles, il améliore significativement la calibration de l'incertitude dans les prédictions.