Détecter un déséquilibre de classes

Vous vous concentrez sur l'étape préliminaire essentielle du cycle de vie en Machine Learning : l'analyse exploratoire des données (EDA).

L'EDA vous permet de mieux comprendre la nature du jeu de données heart_disease_df, notamment les relations entre les différentes variables et les problèmes potentiels à régler avant d'entraîner votre modèle. Comprendre la distribution des classes dans vos variables — par exemple, le sexe des patients — est un volet clé de l'EDA.

Un déséquilibre de classes, où une classe contient nettement plus d'exemples qu'une autre, peut biaiser l'entraînement de votre modèle et l'amener à favoriser la classe majoritaire.