# Detecteur de desequilibre et reechantillonneur Detecte le desequilibre de classes dans un dataset CSV ou JSON, compare les strategies et previsualise un jeu equilibre > Page canonique: https://elysiatools.com/fr/tools/dataset-imbalance-detector-resampler - **Catégorie:** Data Analysis - **Mots-clés:** dataset, desequilibre, reechantillonnage, ml ## Présentation Collez un dataset CSV ou televersez un CSV/JSON, puis indiquez la colonne cible. Loutil compte chaque classe, mesure le ratio de desequilibre, suggere si lover- ou lunder-sampling est plus adapte et genere un apercu equilibre. Comment lutiliser : - Entree du dataset : collez du CSV pour une lecture rapide - Fichier de donnees : televersez CSV ou JSON - Colonne cible : choisissez la classe a profiler - Strategie de reechantillonnage : none, oversample ou undersample - Format dexport : previsualisez en JSON ou CSV - Lignes daperçu : limite le nombre de lignes affichees Notes : - L'oversampling duplique les lignes minoritaires jusqu'au niveau majoritaire - L'undersampling reduit la majorite jusqu'au niveau minoritaire - Le rapport compare les deux strategies - Cela aide a decider si un outil plus avance comme SMOTE sera utile ensuite ## Entrées - **Entree du dataset** (textarea): id,label,score 1,yes,0.9 2,no,0.2 - **Fichier de donnees** (file) - **Colonne cible** (text): label - **Strategie de reechantillonnage** (select) - **Format dexport** (select) - **Lignes daperçu** (number) ## Quand l'utiliser - Lors de la préparation d'un jeu de données pour l'entraînement d'un modèle de classification. - Pour évaluer rapidement la distribution des classes cibles avant d'appliquer des algorithmes complexes comme SMOTE. - Pour corriger un biais de prédiction causé par une surreprésentation d'une catégorie spécifique. ## Fonctionnement - Collez vos données CSV ou téléversez un fichier CSV/JSON contenant votre jeu de données. - Indiquez le nom exact de la colonne cible (label) à analyser. - Choisissez une stratégie de rééchantillonnage (oversample ou undersample) et le format d'export souhaité. - Consultez le rapport de distribution et prévisualisez les lignes du jeu de données équilibré. ## Cas d'usage - Détection de fraudes où les transactions normales sont massivement plus nombreuses que les transactions frauduleuses. - Diagnostic médical pour équilibrer les données de patients sains par rapport aux cas de maladies rares. - Analyse de churn (attrition) client pour obtenir un nombre égal de clients fidèles et de clients ayant résilié. ## Questions fréquentes ### Quels formats de fichiers sont pris en charge ? L'outil accepte les données collées au format texte CSV, ainsi que les fichiers téléversés aux formats CSV et JSON. ### Quelle est la différence entre l'oversampling et l'undersampling ? L'oversampling duplique les lignes de la classe minoritaire pour atteindre le niveau de la classe majoritaire, tandis que l'undersampling réduit la classe majoritaire au niveau de la minoritaire. ### Comment choisir la colonne cible ? Saisissez simplement le nom de l'en-tête de la colonne qui contient les étiquettes de classification (par exemple "fraude", "statut" ou "label"). ### Puis-je exporter le jeu de données complet ? L'outil génère un aperçu limité au nombre de lignes défini dans les paramètres (jusqu'à 50 lignes) au format JSON ou CSV. ### L'outil crée-t-il de nouvelles données synthétiques ? Non, la stratégie d'oversampling se contente de dupliquer les lignes existantes de la classe minoritaire. ## Outils associés - [Detecteur d anomalies de series temporelles](https://elysiatools.com/fr/tools/time-series-anomaly-detector): Importe des donnees de series temporelles en CSV ou JSON, detecte les anomalies avec Z-Score et IQR et renvoie un rapport graphique - [Profileur de qualite de dataset](https://elysiatools.com/fr/tools/dataset-quality-profiler): Profile des jeux CSV ou JSON pour detecter manquants, doublons, derive de format, types et outliers. - [Detecteur de conflits de prefixes et abreviations pour mock data](https://elysiatools.com/fr/tools/mock-data-naming-conflict-detector): Detecte des noms de champs visuellement confus et des collisions de prefixe dans des CSV, JSON ou schemas - [Analyseur de prevision et de saisonnalite](https://elysiatools.com/fr/tools/time-series-forecast-seasonality-analyzer): Projette des periodes futures a partir de donnees CSV ou JSON et affiche tendance, saisonnalite et residus - [Découpage train/test stratifié](https://elysiatools.com/fr/tools/train-test-split-with-stratification): Lit un jeu de données CSV/JSON et le découpe en train/validation/test avec échantillonnage stratifié par la colonne cible (70/15/15 par défaut, graine reproductible), ou k-fold stratifié ; rapport de distribution des classes par split avec barres d'écart, contrôle des fuites par lignes dupliquées, aperçu SMOTE (interpolation des plus proches voisins sur le train) et export des CSV en ZIP. - [Visualiseur de chemins JSON](https://elysiatools.com/fr/tools/json-path-visualizer): Visualise JSON ou JSONL sous forme darbre extensible et permet de copier les expressions JSONPath de chaque noeud - [Planificateur de migration CSV vers base de donnees](https://elysiatools.com/fr/tools/csv-to-database-migration-planner): Infere un schema relationnel a partir dun CSV et genere CREATE TABLE et ALTER pour PostgreSQL, MySQL, SQLite ou SQL Server - [Analyseur de logs structures](https://elysiatools.com/fr/tools/structured-log-analyzer): Detecte les formats de logs courants, extrait les champs principaux et exporte en JSON, CSV ou SQL. ## Exemples - [Exemples CSV](https://elysiatools.com/fr/samples/csv-samples): Fichiers CSV d'exemple avec divers types de données, tailles et niveaux de complexité - [Exemples Python](https://elysiatools.com/fr/samples/python): Exemples de code Python et démonstrations Hello World - [Exemples de Traçage Distribué](https://elysiatools.com/fr/samples/distributed-tracing-samples): Exemples complets de traçage distribué utilisant Jaeger, OpenTelemetry et outils d'observabilité modernes - [Exemples JWT](https://elysiatools.com/fr/samples/jwt-samples): Exemples complets de JWT de la structure de base des tokens aux implémentations de sécurité avancées