Dans cet article, nous proposons une méthode d'entraînement équilibré afin de remédier aux problèmes rencontrés dans l'apprentissage sur des données déséquilibrées. À cette fin, nous introduisons une nouvelle fonction de perte utilisée pendant la phase d'entraînement équilibré, qui atténue l'influence des échantillons pouvant entraîner une frontière de décision surajustée. La perte proposée améliore efficacement les performances de toute méthode d'apprentissage déséquilibré. Des expériences menées sur plusieurs jeux de données standard montrent la validité de notre approche, et révèlent que la perte proposée surpasser les méthodes d'apprentissage sensible au coût les plus avancées. En outre, puisque notre fonction de perte n'est pas limitée à une tâche, un modèle ou une méthode d'entraînement spécifique, elle peut être facilement combinée avec d'autres méthodes récentes telles que le rééchantillonnage, l'apprentissage métacognitif ou l'apprentissage sensible au coût, afin de traiter les problèmes de déséquilibre de classes.