Déplacez un seuil de décision sur une population déséquilibrée et observez précision, rappel, F1 et le point ROC suivre - y compris le régime où l’exactitude paraît excellente alors que le modèle ne sert à rien.
Déplacez le seuil et observez l’arbitrage précision/rappel.
| Prédit + | Prédit − | |
|---|---|---|
| Réel + | 168 | 32 |
| Réel − | 1 555 | 8 245 |
AUC ROC: 0.921
Relever le seuil gagne en précision au prix du rappel, et l’abaisser fait l’inverse. Sur une classe positive rare, l’exactitude ne sert presque à rien : elle est dominée par les négatifs, si bien qu’un modèle qui ne se déclenche jamais obtient un bon score. La précision et le rappel sont le résumé honnête.
Fonctionne entièrement dans votre navigateur. Rien de ce que vous saisissez n’est envoyé ni conservé.
Pourquoi une droite ne peut pas modéliser une probabilité, comment la fonction logistique y remédie, et ce que signifient les coefficients en log-cotes, avec un pas de montée de gradient et un ajustement convergé calculés et vérifiés numériquement.
Le cadre commun à tout modèle prédictif : estimer une fonction inconnue f à partir des données, la séparation entre erreur réductible et irréductible, et pourquoi prédiction et inférence tirent dans des directions opposées.