Français
Menu

Bases de l'apprentissage automatique

Dans la matrice de confusion d'un modèle de classification binaire évalué sur 200 données de test, on compte 45 vrais positifs (TP), 5 faux positifs (FP), 45 faux négatifs (FN) et 105 vrais négatifs (TN). Quelle combinaison de précision et de rappel est correcte ?

  1. APrécision 0,50, rappel 0,90
  2. BPrécision 0,75, rappel 0,50
  3. CPrécision 0,90, rappel 0,50
Afficher la réponse et l'explication

Réponse : C. Précision 0,90, rappel 0,50

La précision est la proportion de vrais positifs parmi les cas prédits positifs : TP ÷ (TP + FP) = 45 ÷ 50 = 0,90. Le rappel (recall) est la proportion de cas réellement positifs que le modèle a prédits positifs : TP ÷ (TP + FN) = 45 ÷ 90 = 0,50. Ce modèle a presque toujours raison quand il conclut à un positif, mais il manque la moitié des positifs. L'exactitude (accuracy) vaut (45 + 105) ÷ 200 = 0,75.

S'entraîner sur ce thème Retour au thème

Autres questions sur Bases de l'apprentissage automatique

  1. Un modèle de classification binaire évalué sur 200 données de test donne TP = 20, FP = 5, FN = 30 et TN = 145. Quelle valeur est la plus proche du score F1 (F-mesure) ?
  2. Quelle description de la courbe ROC et de l'AUC, utilisées pour évaluer un modèle de classification binaire, est correcte ?
  3. Sur des données qui ne comptent que 10 positifs sur 1000, quelle est l'exactitude d'un modèle qui prédit tout comme négatif ?
  4. Les valeurs réelles de 4 données sont 3, 5, 2 et 6, et les valeurs prédites par le modèle sont respectivement 2, 5, 4 et 4. Quelle est l'erreur quadratique moyenne (MSE) ?
  5. On ajuste la droite y = ax + b aux trois données (x, y) = (1 ; 3), (2 ; 4) et (3 ; 8) par la méthode des moindres carrés. Quelle est la valeur prédite pour x = 4 ?