classification déséquilibrée

Dans le domaine de l'apprentissage automatique, la tâche de classification sur des ensembles de données déséquilibrés est appelée classification déséquilibrée. Cette tâche vise à résoudre le problème où le nombre d'échantillons positifs et négatifs diffère considérablement, en optimisant les algorithmes et les métriques d'évaluation pour améliorer le taux de reconnaissance de la classe minoritaire et les performances globales de classification. La classification déséquilibrée a une valeur d'application significative dans des domaines critiques tels que la détection de fraude financière, le diagnostic médical et la détection d'intrusion réseau.