Mesurer la performance avec les métriques

La Data Science Expliquée

La tâche finale dans la construction d'un modèle de machine learning est l'évaluation avec les métriques telles que la précision, le rappel et la f-mesure. Des graphiques exploitant ces métriques existent et pour les amateurs de tableaux de nombres, les matrices de confusion existent également. Vous vous familiarisez aussi avec les notions de vrais positifs, faux positifs, vrais négatifs et faux négatifs dans ce podcast.

Matrice de confusion : https://fr.wikipedia.org/wiki/Matrice_de_confusion

Précision-rappel : https://fr.wikipedia.org/wiki/Pr%C3%A9cision_et_rappel

Courbe ROC : https://fr.wikipedia.org/wiki/Courbe_ROC

Représentations graphiques (scikit-learn.org) :

Matrice de confusion = https://scikit-learn.org/stable/auto_examples/miscellaneous/plot_display_object_visualization.html#create-confusionmatrixdisplay

Courbe Précision-rappel = https://scikit-learn.org/stable/auto_examples/miscellaneous/plot_display_object_visualization.html#create-precisionrecalldisplay

Courbe ROC = https://scikit-learn.org/stable/auto_examples/miscellaneous/plot_display_object_visualization.html#create-roccurvedisplay