Classes déséquilibrées : le piège des 99 %

Un premier modèle de détection de pannes machines affiche 99,2 % d'exactitude. Les pannes représentent 0,8 % des mesures.

1. python3 evaluer.py --modele v1 (depuis ~/maintenance) : rappel sur la classe « panne » → answer rappel-v1 <valeur> ; ce modèle est-il utile ? → answer utile <oui|non>
2. Dans entrainement.py, utilisez RandomForestClassifier(n_estimators=300, class_weight="balanced", random_state=42) et évaluez avec classification_report et average_precision_score (au lieu de l'exactitude)
3. python3 entrainement.py puis python3 evaluer.py --modele v2 → rappel de la v2 → answer rappel-v2 <valeur>
4. Pourquoi ne pas simplement dupliquer les pannes avant le découpage train/test ? → answer duplication <fuite|lenteur|memoire>