Énumérez les métriques de qualité du modèle de classification binaire et leurs différences?
sobes.tech IA
Réponse de l'IA
Les principales métriques de qualité d’un modèle de classification binaire et leurs différences:
-
Précision (Accuracy) — proportion d’objets correctement classés (positifs et négatifs). Utile lorsque les classes sont équilibrées.
-
Précision (Precision) — proportion de vrais positifs parmi tous ceux que le modèle a prédits comme positifs. Importante lorsque les faux positifs sont critiques.
-
Rappel (Recall) — proportion de vrais positifs que le modèle a correctement identifiés parmi tous les positifs réels. Crucial pour ne pas manquer de cas positifs.
-
F1-score — moyenne harmonique de la Précision et du Rappel, équilibre entre les deux.
-
ROC-AUC — aire sous la courbe ROC, indique la capacité du modèle à différencier les classes à différents seuils.
-
Log Loss (Perte Logarithmique) — mesure de la qualité des prédictions probabilistes, pénalise les prévisions confiantes mais erronées.
Le choix de la métrique dépend de la tâche : par exemple, en diagnostic médical, le Rappel est crucial pour ne pas manquer de patients malades, tandis qu’en spam, la Précision est essentielle pour ne pas bloquer des emails normaux.