Nous proposons dans cet article d'évaluer la qualité d'arbres de décision construits sur des jeux de données déséquilibrées avec une mesure d'entropie asymétrique. En effet, différents critères d'éclatement asymétriques ont été proposés pour tenir compte du déséquilibre des classes lors du choix du meilleur éclatement. Après la construction de l'arbre se pose le problème de l'assignation d'une classe à chaque feuille: une règle tenant compte de l'asymétrie doit être adoptée pour déduire des règles de prédiction à partir de l'arbre. Comment évaluer les résultats de ces modèles de prédiction? Nous considérons les courbes ROC et les graphiques rappel / précision pour évaluer les arbres de décisions sur des jeux de données déséquilibrés, en comparant les arbres construits sur un critère asymétrique avec ceux construits sur un critère symétrique.