📊 𝑪𝒍𝒂𝒔𝒔𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆́𝒔𝒆́𝒒𝒖𝒊𝒍𝒊𝒃𝒓𝒆́𝒆 : 𝒑𝒐𝒖𝒓𝒒𝒖𝒐𝒊 𝒍’𝒂𝒄𝒄𝒖𝒓𝒂𝒄𝒚 𝒏𝒆 𝒔𝒖𝒇𝒇𝒊𝒕 𝒑𝒂𝒔 ?
En Machine Learning, tous les modèles de classification ne doivent pas être jugés uniquement avec le taux de bonne classification. Quand les données sont déséquilibrées, un modèle peut sembler performant… alors qu’il se trompe sur la classe la plus importante. 👉 𝑪’𝒆𝒔𝒕 𝒍𝒆 𝒑𝒓𝒐𝒃𝒍𝒆̀𝒎𝒆 𝒄𝒍𝒂𝒔𝒔𝒊𝒒𝒖𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔 𝒅𝒆́𝒔𝒆́𝒒𝒖𝒊𝒍𝒊𝒃𝒓𝒆́𝒆𝒔. Imaginons un jeu de données où 90 % des observations appartiennent à une seule classe. Un modèle qui prédit toujours cette classe peut afficher 90 % d’accuracy… Mais en réalité, il peut être incapable de détecter la classe minoritaire. 🔵 𝑳’𝒂𝒄𝒄𝒖𝒓𝒂𝒄𝒚 Elle mesure la proportion totale de prédictions correctes. 👉 Utile, mais parfois trompeuse en cas de classes déséquilibrées. 🔵 𝑳𝒂 𝒑𝒓𝒆́𝒄𝒊𝒔𝒊𝒐𝒏 Elle répond à la question : parmi les cas prédits positifs, combien sont réellement positifs ? C’est une mesure d’exactitude. 🔵 𝑳𝒆 𝒓𝒂𝒑𝒑𝒆𝒍 (𝑹𝒆𝒄𝒂𝒍𝒍) Il répond à la question : parmi les vrais positifs ex...
