Dans les problèmes de classification supervisés, il est essentiel d'évaluer la performance d'un modèle. Les données comme la précision, le rappel et la note F1 fournissent des indications sur la façon dont le modèle prédit différentes classes.

Précision

La précision mesure la proportion de prédictions positives qui sont correctes. Elle est calculée comme le nombre de vrais positifs divisé par la somme de vrais positifs et de faux positifs.

La formule de précision est la suivante :

Précision = Vrai Positifs / (Vrai Positifs + Faux Positifs)

Rappel

Le rappel, aussi connu sous le nom de sensibilité, mesure la proportion de positifs réels qui sont correctement identifiés. Il est calculé comme le nombre de vrais positifs divisé par la somme de vrais positifs et faux négatifs.

La formule de rappel est la suivante :

Reappel = Vrai Positifs / (Vrai Positifs + Faux Négatifs)

F1 Score

Le score F1 combine précision et rappel en une seule métrique en calculant leur moyenne harmonique. Il fournit une mesure équilibrée, surtout lorsque la distribution de classe est inégale.

La formule pour le score F1 est :

F1 Score = 2 * (Précision * Rappel) / (Précision + Rappel)

Résumé

  • La précision indique la précision des prédictions positives.
  • Le rappel mesure la capacité d'identifier tous les cas positifs.
  • Le score F1 équilibre la précision et le rappel en une seule métrique.