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

Évaluation des classificateurs binaires

Dans cours

MATH-412: Statistical machine learning

A course on statistical machine learning for supervised and unsupervised learning ...

Description

Cette séance de cours couvre l'évaluation des classificateurs binaires, en se concentrant sur des métriques telles que le rappel, la sensibilité, la spécificité, les taux de faux positifs et de faux négatifs, la précision, les courbes ROC, les combinaisons convexes et la relation entre les mesures de métriques et les erreurs de classification. Il se penche également sur la courbe de rappel de précision et les mesures de performance dérivées de la courbe ROC.

Enseignant·e

Yoav Zemel

Source officielle

Proximité ontologique

Statistique

Analyse des données: Classement automatique

Concepts associés (23)

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.

Valeur prédictive

En statistique et en épidémiologie, la valeur prédictive d'un test est la probabilité qu'une condition soit présente en fonction du résultat de ce test. Le test doit être dichotomique, c’est-à-dire qu’il ne peut donner que deux résultats différents. La valeur prédictive positive est la probabilité que la condition soit présente lorsque le test est positif. La valeur prédictive négative est la probabilité que la condition ne soit pas présente lorsque le test est négatif.

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 ).

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.

Précision et rappel

vignette|350px|Précision et rappel (« recall »). La précision compte la proportion d'items pertinents parmi les items sélectionnés alors que le rappel compte la proportion d'items pertinents sélectionnés parmi tous les items pertinents sélectionnables. Dans les domaines de la reconnaissance de formes, de la recherche d'information et de la classification automatique, la précision (ou valeur prédictive positive) est la proportion des items pertinents parmi l'ensemble des items proposés ; le rappel (ou sensibilité) est la proportion des items pertinents proposés parmi l'ensemble des items pertinents.

Afficher plus

Séances de cours associées (34)

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.

Quantifier la performance: mauvaise classification et F-Measure

Couvre la quantification de la performance par le biais de vrais positifs, de faux négatifs et de faux positifs dans l'apprentissage automatique.

Classement: Arbres de décision et kNN

Introduit des arbres de décision et des voisins k-nearest pour les tâches de classification, explorant des mesures comme la précision et l'ASC.

Sans titre

Afficher plus

Concepts associés (23)

Sensibilité et spécificité

Valeur prédictive

False positives and false negatives

Binary classification

Précision et rappel

Afficher plus