Métriques d’évaluation

Précision (Precision)

La précision est une métrique d’évaluation fondamentale en classification supervisée. Elle mesure la part des prédictions positives qui sont réellement correctes.

Autrement dit, parmi toutes les fois où le modèle a prédit la classe positive, combien étaient justes ?

Rappel (Recall)

Le rappel, aussi appelé sensibilité, est une métrique clé en classification supervisée. Il mesure la capacité du modèle à identifier toutes les instances positives réelles.

Autrement dit, parmi tous les exemples réellement positifs, combien le modèle a-t-il correctement détectés ?

F1-score

Le F1-score est une métrique qui combine la précision et le rappel en une seule valeur harmonique. Il sert à évaluer l’équilibre entre ces deux mesures, surtout lorsque l’on souhaite un compromis entre minimiser les faux positifs et les faux négatifs.

Matrice de confusion

La matrice de confusion est un outil fondamental pour évaluer les performances d’un modèle de classification. Elle présente sous forme de tableau le nombre de prédictions correctes et incorrectes, classées selon les vraies classes et les classes prédites.

AUC-ROC

L’AUC-ROC (Area Under the Curve – Receiver Operating Characteristic) est une métrique qui mesure la capacité d’un modèle de classification binaire à distinguer entre les classes positives et négatives.

La courbe ROC trace le taux de vrais positifs (sensibilité) en fonction du taux de faux positifs pour différents seuils de classification. L’aire sous la courbe (AUC) quantifie la performance globale : plus elle est proche de 1, meilleur est le modèle.

L’AUC-ROC est particulièrement utile pour comparer des modèles et évaluer leur robustesse, notamment lorsque les classes sont déséquilibrées.