L'essentiel à savoir sur l'Accuracy (définition, calcul...)

Pour se convaincre de l'efficacité d'un modèle à prédire sereinement aussi bien les personnes positives que négatives, il faut l'Accuracy. Très prisée dans le monde des métriques de classification pour son caractère intuitif et sa simplicité en apparence, elle possède quelques secrets qui méritent d'être découverts et mis à la portée de tous. Et ce, dans le cadre de l'évaluation de la performance des modèles de Machine Learning et de Deep Learning.

Qu’est-ce que l’accuracy ?

Il faut entendre par accuracy, une métrique destinée à l'évaluation et à la mise en évidence de la manière dont sont performants les modèles de classification binaire et autres. Dans un effort de traduction en langue de Molière, l'accuracy peut signifier "précision". Découvrez davantage accuracy machine learning ici. Cependant, cela peut générer une confusion entre ce concept et la métrique Précision. À l'instar de l'ensemble des métriques, l'Accuracy est coordonnée par la matrice de confusion qui, elle, est composée de 4 valeurs à savoir : Accuracy - Matrice de confusion : elle intervient dans la description de la performance du modèle à la fois sur des patients négatifs et positifs. Accuracy - explanation : elle détermine le nombre réel d'individus ayant été prédits de façon correcte. Accuracy - Confusion matrix accuracy : elle comprend 4 cas qui exercent une influence considérable sur l'Accuracy à savoir vrai positif, vrai négatif, faux positif et faux négatif. Accuracy - Calcul prédiction reality : elle vise à diagnostiquer avec exactitude les grossesses.

Comment calcule-t-on l’accuracy à partir des prédictions d’un modèle ?

Pour simplifier les choses, il est préférable de faire le calcul à la main sur un groupuscule de personnes. On suppose qu'en se fondant sur des analyses médicales ou des réponses fournies à une série de questions, un modèle de machine Learning donne une prédilection selon laquelle chaque individu (femme) porte une grosse. Le professionnel de santé procède à la conversion de ces prédictions en labels enceinte / pas enceinte tout en définissant une barrière de classification dont l'atteinte lui permettra de donner un sens à la prédilection.