Échantillonnage adaptatif de jeux de données déséquilibrés pour les forêts aléatoires

Introduction Les jeux de données déséquilibrés constituent un problème important de l’apprentissage supervisé. Or la plupart des modèles sont conçus pour des données équilibrées. Leur utilisation sur des données déséquilibrées conduit souvent à une mauvaise prédiction de la classe minoritaire. Pourtant, cette situation se retrouve régulièrement dans la pratique (Détection de pannes (Pazzani et al., 1994), textmining, aide aux diagnostics médicaux...). Ces applications ont besoin de disposer de méthodes capables de prédire la classe minoritaire avec des performances en adéquation avec les attentes de l’utilisateur. L’évantail des solutions existantes vont de l’échantillonnage (Japkowicz, 2000; Chawla et al., 2002), à la construction d’un modèle de prédiction spécifique à la classe d’intérêt, en passant par l’utilisation de matrices de coût (Pazzani et al., 1994; Kubat et al., 1998).