Les tâches de classification sont généralement évaluées en termes d'exactitude (accuracy). Toutefois, l'exactitude est une fonction discontinue et ne peut pas être optimisée directement par une montée en gradient. Les méthodes courantes minimisent l'entropie croisée, la perte hinge ou d'autres pertes de substitution, ce qui peut conduire à des résultats sous-optimisés. Dans cet article, nous proposons un nouveau cadre d'optimisation en introduisant une stochasticité dans la sortie d'un modèle et en optimisant l'exactitude espérée, c’est-à-dire l’exactitude du modèle stochastique. Des expériences étendues sur des modèles linéaires et des classificateurs d’images profonds montrent que la méthode d’optimisation proposée constitue une alternative puissante aux pertes de classification largement utilisées.