Matrices de confusion
Les matrices de confusion sont un excellent point de départ pour évaluer la précision de votre modèle. Elles fournissent les valeurs nécessaires pour calculer un large éventail d’indicateurs, notamment la sensibilité, la spécificité et le F1-score.
Vous avez entraîné un modèle de classification pour prédire si une personne a le bras cassé à partir d’une image radiographique. Sur l’ensemble de test, vous obtenez la matrice de confusion suivante :
| Prédiction : 0 | Prédiction : 1 | |
|---|---|---|
| Réel : 0 | 324 (TN) | 15 (FP) |
| Réel : 1 | 123 (FN) | 491 (TP) |
Cet exercice fait partie du cours
Validation des modèles en Python
Instructions
- Utilisez la matrice de confusion pour calculer la précision globale (accuracy).
- Utilisez la matrice de confusion pour calculer la précision (precision) et le rappel (recall).
- Utilisez les trois instructions print pour afficher chacune des valeurs de précision.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Calculate and print the accuracy
accuracy = (____ + ____) / (953)
print("The overall accuracy is {0: 0.2f}".format(accuracy))
# Calculate and print the precision
precision = (____) / (____ + ____)
print("The precision is {0: 0.2f}".format(precision))
# Calculate and print the recall
recall = (____) / (____ + ____)
print("The recall is {0: 0.2f}".format(recall))