Quelles métriques pouvez-vous nommer pour les tâches de classification ? Parlez-moi de chacune d'elles.

Pour les tâches de classification, on utilise souvent les métriques suivantes :

• Précision (Accuracy) — proportion d'objets correctement classés par rapport au total. Convient pour des classes équilibrées.

• Précision (Précision des prédictions positives) — rapport entre les vrais positifs et la somme des vrais positifs et faux positifs. Important lorsque l'on souhaite minimiser les faux positifs.

• Rappel (Recall) — rapport entre les vrais positifs et la somme des vrais positifs et faux négatifs. Important pour minimiser les faux négatifs.

• F1-score — moyenne harmonique de la précision et du rappel, équilibrant les deux.

• ROC-AUC — aire sous la courbe ROC, indiquant la qualité du modèle à différents seuils de classification.

• Matrice de confusion — tableau montrant la répartition des prédictions par classe, aidant à comprendre les erreurs.

Chaque métrique convient à différentes tâches et dépend de l'équilibre des classes et des objectifs commerciaux.