Comment calculer l'exactitude et la précision du modèle dans les projets d'apprentissage automatique

Pour développer des algorithmes efficaces, il est essentiel de comprendre comment évaluer les modèles d'apprentissage automatique. Deux mesures communes sont la précision et la précision. Ces mesures aident à déterminer dans quelle mesure un modèle fonctionne bien sur un ensemble de données donné.

Qu'est-ce que l'exactitude du modèle?

La précision mesure la proportion des prévisions correctes faites par le modèle sur toutes les prévisions. Elle est calculée en divisant le nombre de prévisions correctes par le nombre total de prédictions.

La formule de précision est la suivante:

Acquies = (Nombre de prévisions correctes) / (Prédictions totales)

L'exactitude est utile lorsque l'ensemble de données a des classes équilibrées, mais elle peut être trompeuse si les classes sont déséquilibrées.

Qu'est-ce que la précision du modèle?

La précision mesure la proportion de vrais prédictions positives par rapport à toutes les prédictions positives faites par le modèle. Elle indique combien de cas positifs prévus sont réellement positifs.

La formule de précision est la suivante :

Précision = (vrais positifs) / (vrais positifs + faux positifs)

La haute précision signifie que lorsque le modèle prédit positif, il est généralement correct. Il est particulièrement important dans les scénarios où les faux positifs sont coûteux.

Comment calculer ces paramètres

Pour calculer la précision et la précision, vous avez besoin d'une matrice de confusion qui résume les résultats de la prédiction en quatre catégories : vrais positifs, vrais négatifs, faux positifs et faux négatifs.

Une fois que vous avez ces valeurs, branchez-les dans les formules pour calculer les métriques. De nombreuses bibliothèques d'apprentissage automatique, comme scikit-learn, fournissent des fonctions pour calculer la précision et la précision directement.