Métriques de classification
Explorez 11 termes d'IA dans les Métriques de Classification
Score de précision moyenne
Score APAverage Precision Score measures the accuracy of a model's predictions in classification tasks, balancing precision and recall.
Métriques de la Matrice de Confusion
Les métriques de la matrice de confusion évaluent la performance d'un modèle de classification en utilisant des indicateurs clés comme la précision, le rappel, et le score F1.
F-Mesure
F1La mesure F est une métrique utilisée pour évaluer la performance des modèles de classification, en équilibrant précision et rappel.
Score F
F1Le score F est une mesure statistique utilisée pour évaluer la précision des modèles de classification binaire.
Impureté de Gini
L'impureté de Gini mesure l'impureté d'un ensemble de données, utilisée principalement dans les algorithmes d'arbres de décision pour évaluer les divisions.
Perte de Hamming
La perte de Hamming mesure la fraction de mauvaises étiquettes dans les tâches de classification multi-étiquettes.
Perte Histogramme
HLLa perte histogramme mesure l'écart entre les distributions prédites et réelles dans les tâches de classification.
Perte logarithmique
La perte logarithmique mesure la performance d'un modèle de classification où la sortie est une probabilité entre 0 et 1.
Moyenne Macro
La moyenne macro calcule la performance globale d'un modèle sur plusieurs classes dans les tâches de classification.
Taux de mauvaise classification
Le taux de mauvaise classification mesure la proportion de prédictions incorrectes effectuées par un modèle de classification.
Valeur prédictive négative
VANLa valeur prédictive négative (VPN) mesure la précision d'un test pour identifier les cas négatifs.