Durée: 12 mois
Rubrique: Ingénieur IA
Dans cette leçon, nous allons explorer la courbe ROC et l'AUC, deux concepts essentiels pour l'évaluation des modèles de Machine Learning, en particulier dans les problèmes de classification binaire.
La courbe ROC (Receiver Operating Characteristic) est un graphique qui illustre la performance d'un modèle de classification binaire pour différents seuils de discrimination. Elle trace le taux de vrais positifs (ou sensibilité) contre le taux de faux positifs (ou 1 spécificité). Voici pourquoi c'est utile :
La courbe ROC vous permet de visualiser ces taux et d'évaluer la performance du modèle de manière globale, indépendamment du seuil de décision utilisé.
L'AUC, ou Area Under the Curve, est une mesure qui résume la performance de la courbe ROC en un seul nombre. C'est littéralement l'aire sous la courbe ROC. L'AUC varie entre 0 et 1 :
L'avantage principal de l'AUC est qu'elle donne une idée générale de la capacité de classification du modèle sans se concentrer sur un seuil spécifique.
En somme, la courbe ROC et l'AUC sont des outils puissants pour évaluer et comparer les performances des modèles de Machine Learning dans les problèmes de classification binaire. Ils vous permettent de comprendre comment les modèles balancent entre la détection des vrais positifs et l'évitement des faux positifs, tout en résumant cette performance avec une valeur unique.