Quelles métriques de qualité de classification existent?

Pour évaluer la qualité d'une classification binaire, on utilise souvent les métriques suivantes :

• Précision (Accuracy) — proportion d'objets correctement classés (positifs et négatifs) sur le total.
• Précision du positif (Precision) — proportion d'objets positifs correctement prédits parmi tous ceux que le modèle a classés comme positifs.
• Rappel (Recall) — proportion d'objets positifs correctement trouvés par rapport à tous les positifs réels.
• F1-score — moyenne harmonique entre précision et rappel, équilibrant les deux.
• ROC-AUC — aire sous la courbe ROC, indiquant la qualité de séparation des classes à différents seuils.

Par exemple, si le modèle prédit une maladie, la précision montrera à quelle fréquence la prédiction positive est correcte, et le rappel combien de malades il peut détecter.