La détection d'anomalie est une tâche d'apprentissage dans laquelle les anomalies sont beaucoup plus rares que les comportements normaux. Notre objectif est de détecter une anomalie, en l'occurrence une fuite de fluide, le plus tôt possible, avant l'arrêt préventif de la machine. Dans cet article, nous étu- dions la résistance au bruit et à la rareté des anomalies d'une technique d'ap- prentissage supervisée, les arbres de décision. Nous considérons des données artificielles représentatives d'anomalies de systèmes physiques comme la cre- vaison d'un pneumatique ou la fuite de fluide réfrigérant d'une pompe à chaleur. Nos tests montrent qu'un arbre de décision est capable d'apprendre un seuil sur la pression observée, en présence de bruit, qui s'adapte à des fréquences très faibles d'anomalies, jusqu'à 1 pour 100 000.