Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Sans titre

Dans cours

CS-290: Responsible software

Software's growing importance increases engineers' responsibility to integrate ethical concerns in the design and development process. This course teaches students concrete strategies for responsible software engineering, focusing on identifying ethical is ...

Source officielle

https://mediaspace.epfl.ch/media/0_njjr5z1z

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Concepts associés (29)

False positives and false negatives

A false positive is an error in binary classification in which a test result incorrectly indicates the presence of a condition (such as a disease when the disease is not present), while a false negative is the opposite error, where the test result incorrectly indicates the absence of a condition when it is actually present. These are the two kinds of errors in a binary test, in contrast to the two kinds of correct result (a and a ).

Sensibilité et spécificité

En statistique, la sensibilité (ou sélectivité) d'un test mesure sa capacité à donner un résultat positif lorsqu'une hypothèse est vérifiée. Elle s'oppose à la spécificité, qui mesure la capacité d'un test à donner un résultat négatif lorsque l'hypothèse n'est pas vérifiée. Ces notions sont d'une importance majeure en épidémiologie et en , notamment au travers des courbes ROC. Cet article présente ces notions dans le cadre de l'application en épidémiologie.

Phi coefficient

In statistics, the phi coefficient (or mean square contingency coefficient and denoted by φ or rφ) is a measure of association for two binary variables. In machine learning, it is known as the Matthews correlation coefficient (MCC) and used as a measure of the quality of binary (two-class) classifications, introduced by biochemist Brian W. Matthews in 1975. Introduced by Karl Pearson, and also known as the Yule phi coefficient from its introduction by Udny Yule in 1912 this measure is similar to the Pearson correlation coefficient in its interpretation.

Binary classification

Binary classification is the task of classifying the elements of a set into two groups (each called class) on the basis of a classification rule. Typical binary classification problems include: Medical testing to determine if a patient has certain disease or not; Quality control in industry, deciding whether a specification has been met; In information retrieval, deciding whether a page should be in the result set of a search or not. Binary classification is dichotomization applied to a practical situation.

Matrice de confusion

En apprentissage automatique supervisé, la matrice de confusion est une matrice qui mesure la qualité d'un système de classification. Chaque ligne correspond à une classe réelle, chaque colonne correspond à une classe estimée. La cellule ligne L, colonne C contient le nombre d'éléments de la classe réelle L qui ont été estimés comme appartenant à la classe C. Attention il y a parfois interversion des axes de la matrice en fonction des auteurs.

Afficher plus

Séances de cours associées (9)

Évaluation des classificateurs binaires

Discute de l'évaluation des classificateurs binaires, y compris le rappel, la sensibilité, la spécificité, les courbes ROC et les mesures de performance.

Régression linéaire généralisée : classification

Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.

L'équité dans l'apprentissage automatique

Explore les sources d'injustice dans l'apprentissage automatique, l'importance des mesures d'équité et l'évaluation des prédictions des modèles à l'aide de diverses mesures d'équité.

Régression linéaire : Fondements Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les bases de la régression linéaire, de la classification binaire et multiclasse, et des mesures d'évaluation.

Critères de performance : Matrice de confusion, rappel, précision, exactitude Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les critères de performance dans l'apprentissage supervisé, en mettant l'accent sur la précision, le rappel et la spécificité dans l'évaluation des modèles.

Afficher plus

Concepts associés (29)

False positives and false negatives

Sensibilité et spécificité

Phi coefficient

Binary classification

Matrice de confusion

Afficher plus