Mesurer la performance avec les métriques

Épisode de La Data Science Expliquée par UR4NVS · 21 novembre 2021 · 7 min

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

Autres épisodes de « La Data Science Expliquée »

À propos du podcast

La Data science Expliquée est une série de podcasts qui a pour but de vulgariser la science des données et de la rendre accessible. Cette série de podcasts permettra également de réfléchir sur divers sujets concernant la science des données, notamment sur des aspects d'éthique ou de vie privée.

La Data Science Expliquée

Épisodes similaires

Tous les épisodes de La Data Science Expliquée · Plus de podcasts Science