Флашкарти: Introduction aux Méthodes de Classification — 18 карти

Classification — définition ?

Prédire l’appartenance à une catégorie.

Classes — rôle ?

Groupes cibles à identifier.

Apprentissage supervisé — rôle ?

Utilise des données étiquetées.

Taux d’erreur — définition ?

Proportion de prédictions incorrectes.

Problèmes de classification — exemples ?

Spam, risque santé, détection d’images.

Processus en deux étapes — quoi ?

Construction du modèle puis test.

Train test split — but ?

Estimer l’erreur sur données séparées.

Cross validation — but ?

Validation robuste sur plusieurs découpes.

Évaluation — outils clés ?

Matrice de confusion, indicateurs.

Accuracy — définition ?

Proportion de bonnes prédictions.

Recall — rôle ?

Mesure des positifs retrouvés.

Précision — rôle ?

Proportion de vrais positifs parmi prédits positifs.

F1 score — formule ?

2 * (Précision * Recall) / (Précision + Recall).

Courbe ROC — objectif ?

Comparer performances pour tous seuils.

AUC — signification ?

Surface sous la courbe ROC.

Méthodes courantes — exemples ?

k-NN, arbres de décision, SVM.

Faux positifs — définition ?

Faux alarmes, négatif prédit positif.

Faux négatifs — définition ?

Oublis, positif prédit négatif.