Quelles métriques de classification binaire connaissez-vous ? Avantages et inconvénients de chacune.

Les principales métriques de la classification binaire:

1. Précision (Accuracy)

   • Proportion d'objets correctement classés.
   • Avantage : simple et intuitif.
   • Inconvénient : fonctionne mal avec des classes déséquilibrées.

2. Précision (Précision des prédictions positives)

   • Proportion de vrais positifs parmi tous les positifs prédits.
   • Avantage : important lorsque les faux positifs sont critiques.
   • Inconvénient : ne prend pas en compte les positifs manqués.

3. Rappel (Recall)

   • Proportion de vrais positifs détectés par le modèle par rapport à tous les positifs réels.
   • Avantage : crucial lorsque l'omission de positifs est critique.
   • Inconvénient : peut être élevé avec beaucoup de faux positifs.

4. F1-score

   • Moyenne harmonique de la précision et du rappel.
   • Avantage : équilibre entre précision et rappel.
   • Inconvénient : ne considère pas les négatifs vrais.

5. AUC ROC (Surface sous la courbe ROC)

   • Évalue la capacité du modèle à distinguer les classes à différents seuils.
   • Avantage : indépendant du seuil de classification.
   • Inconvénient : peut être moins informatif en cas de forte imbalance.

6. Matrice de confusion

   • Montre TP, FP, TN, FN pour une analyse détaillée.

Le choix de la métrique dépend de la tâche et de l'importance des erreurs : omissions ou faux positifs.