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.
Testez vos connaissances avec un QCM de 9 questions sur Introduction aux Méthodes de Classification.
1. Quelles sont les deux étapes du processus de classification ?
2. Dans quel type de problème la classification peut-elle être utilisée ?
Révisez le cours complet dans la fiche de révision de Introduction aux Méthodes de Classification.
Voir la fiche →Bases de données
Bases de données
Bases de données
Programmation
Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards