Calculateur d'exactitude de classification

L'exactitude de classification mesure la part des prédictions que le modèle a correctement classées. Elle additionne les vrais positifs et les vrais négatifs, puis divise cette somme par le nombre total d'observations de la matrice de confusion. Intuitive, elle doit pourtant rarement être interprétée seule. Lorsque les classes sont déséquilibrées, un modèle peut presque toujours prédire la classe majoritaire et afficher une exactitude élevée tout en échouant sur les cas les plus importants. Ce calculateur présente donc cinq métriques complémentaires de classification binaire. La précision est la proportion de positifs prédits réellement positifs : TP divisé par TP plus FP. Le rappel, aussi appelé sensibilité, est la proportion de positifs réels détectés par le modèle : TP divisé par TP plus FN. La spécificité mesure la capacité à identifier les négatifs : TN divisé par TN plus FP. Le score F1 est la moyenne harmonique de la précision et du rappel ; il favorise leur équilibre plutôt que la maximisation de l'un au détriment de l'autre. Commencez par organiser vos résultats dans une matrice de confusion. Un vrai positif est un cas positif correctement prédit positif. Un faux positif est un cas négatif prédit positif à tort. Un vrai négatif est un cas négatif correctement prédit négatif, et un faux négatif est un cas positif manqué par le classifieur. Les quatre valeurs doivent être des effectifs issus du même jeu de test et du même seuil de décision. Mélanger des pourcentages, des observations d'entraînement ou des résultats de seuils différents invalide les métriques. Les priorités dépendent de l'application. En dépistage médical, manquer une maladie peut coûter cher ; le rappel reçoit donc souvent davantage d'attention. Dans le filtrage antispam ou la sanction automatisée, les accusations erronées peuvent être coûteuses, ce qui rend la précision importante. La spécificité est utile lorsque l'exclusion correcte des négatifs compte. Comparez les métriques sur le même jeu de données, examinez la fréquence des classes et considérez les intervalles de confiance avant de déclarer un modèle supérieur. Ce calculateur fournit des estimations ponctuelles déterministes pour l'analyse rapide, la documentation et la comparaison des seuils ; il ne remplace pas une validation sur des données représentatives.