Au-delà de la justesse
Pourquoi c'est important Sur un test de maladie rare où 95 % des gens sont en bonne santé, un modèle qui dit toujours « en bonne santé » obtient 95 % de justesse et ne sert à rien.
Une matrice de confusion compte, pour chaque vraie classe, combien de fois chaque classe a été prédite : ligne = vérité, colonne = prédiction. À partir d'elle, pour une classe qui t'intéresse :
- Précision : parmi les fois où le modèle a dit « positif », combien de fois avait-il raison ?
- Rappel : parmi les vrais positifs, combien le modèle en a-t-il trouvé ?
De tout petits nombres
100 personnes, 5 malades. Le modèle paresseux dit en bonne santé pour tous : justesse 95 %, rappel 0 sur 5 = 0. Un vrai modèle signale 8 personnes, dont 4 malades : précision 4/8 = 0.5, rappel 4/5 = 0.8, et justesse (4 + 91) / 100 = 95 %. Même justesse, utilité complètement différente.
Mots et symboles de cette leçon
- matrice de confusion
- les comptes de la vraie classe (ligne) contre la classe prédite (colonne)
- précision, rappel
- de ce qu'il a signalé, combien était juste ; de ce qui était là, combien il en a trouvé
Écris confusion(y_true, y_pred, k) (un tableau k par k de comptes) et precision_recall(y_true, y_pred, positive) qui renvoie une paire (utilise 0.0 quand il n'y a rien par quoi diviser).
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.