AI-ordlista
Den kompletta ordlistan över AI
Précision (Precision)
Métrique mesurant le rapport entre les vrais positifs et l'ensemble des prédictions positives, indiquant la fiabilité des prédictions positives du modèle.
Accuracy
Proportion de prédictions correctes parmi le total des prédictions, mesurant la performance globale mais pouvant être trompeuse avec des classes déséquilibrées.
Spécificité
Taux de vrais négatifs, mesurant la capacité du modèle à identifier correctement les instances négatives, complémentaire du rappel.
AUC-ROC
Aire sous la courbe ROC, évaluant la capacité discriminante du modèle indépendamment du seuil de classification, avec 1 représentant une performance parfaite.
Matthews Correlation Coefficient (MCC)
Coefficient de corrélation entre les observations et prédictions binaires, fournissant une mesure équilibrée même avec des classes fortement déséquilibrées.
Log Loss
Fonction de perte mesurant la divergence entre les probabilités prédites et les étiquettes réelles, pénalisant les prédictions confiantes mais incorrectes.
Mean Absolute Percentage Error (MAPE)
Moyenne des erreurs absolues exprimées en pourcentage des valeurs réelles, facilitant l'interprétation relative de l'erreur de prédiction.
Cohen's Kappa
Mesure d'accord entre prédictions et observations réelles, corrigeant pour la concordance due au hasard, particulièrement utile en classification multi-classe.
Area Under Precision-Recall Curve (AUC-PR)
Aire sous la courbe precision-recall, fournissant une mesure synthétique de la performance particulièrement adaptée aux problèmes avec classes déséquilibrées.