Les ensembles de données déséquilibrées posent des problèmes pour la classification, car les modèles conventionnels ne parviennent souvent pas à capturer efficacement les tendances dans les classes minoritaires. Cette étude propose une approche bayésienne de régression logistique multinomiale avec des lois a priori de Dirichlet pour résoudre ces problèmes. En incorporant des lois a priori de Dirichlet, la méthode fournit une façon méthode pour tenir compte du déséquilibre des classes pendant l'estimation du modèle. Le cadre bayésien intègre naturellement la connaissance a priori des distributions de classes et l'incertitude, ce qui conduit à des estimations de paramètres plus robustes et à une généralisation améliorée, en particulier dans les contextes où les données sont rares ou fortement déséquilibrées. Des résultats expérimentaux sur des ensembles de données synthétiques et réelles démontrent l'efficacité de cette approche pour améliorer les performances prédictives tout en préservant la capacité d'interprétation. Cette étude renforce le potentiel des méthodes bayésiennes avec des a priori bien spécifiés pour la résolution de problèmes de classification déséquilibrés.