Évaluation du rendement du modèle : Calcul de l'exactitude, de la précision et du rappel dans l'apprentissage supervisé

L'évaluation du rendement des modèles d'apprentissage automatique est essentielle pour comprendre leur efficacité.Dans l'apprentissage supervisé, les mesures telles que l'exactitude, la précision et le rappel sont couramment utilisées pour mesurer la mesure dans laquelle un modèle prédit les résultats.

Précision

La précision mesure la proportion de prévisions correctes par rapport à toutes les prévisions faites. Elle est calculée en divisant le nombre de prévisions correctes par le nombre total de prévisions.

Bien que la précision soit utile, elle peut être trompeuse dans les ensembles de données déséquilibrés où une classe domine. Dans de tels cas, d'autres mesures fournissent une meilleure compréhension de la performance du modèle.

Précision et rappel

La précision indique la proportion de vrais prédictions positives parmi toutes les prédictions positives faites par le modèle. Elle reflète la capacité du modèle à éviter les faux positifs.

Le rappel, aussi connu sous le nom de sensibilité, mesure la proportion de positifs réels correctement identifiés par le modèle. Il montre comment le modèle détecte les cas positifs.

Calcul des paramètres

Ces paramètres sont dérivés de la matrice de confusion, qui résume les vrais positifs (TP), les faux positifs (FP), les vrais négatifs (TN) et les faux négatifs (FN).

Formules: