Nous proposons un algorithme d'optimisation de la F-Mesure avec des garanties théoriques utilisable avec toute méthode d'apprentissage par pondération des erreurs. Notre algorithme, génère itérativement un ensemble de coûtscoûts`coûtsà partir de l'ensemble d'entraˆınemententraˆınement de telle sorte que le classifieur final ait une F-Mesure proche de l'optimale. L'optimalité de la F-Mesure obtenue est expriméè a l'aide d'une borne supérieure plus fine que celle présentée dans [Parambath et al. 2014] De plus, nous montrons que les coûts obtenusàobtenus`obtenusà chaque itération de notre méthode permettent de réduire drastiquement l'espace de recherche et ainsi de converger rapidement vers les paramètres optimaux. L'efficacité de notre méthode est montréè a la fois en terme de F-Mesure mais aussi de vitesse de convergence sur plusieurs jeux de données déséquilibrés.