CHAPITRE 9 Classes non équilibrées
Lorsque vous classifiez des données, si les classes ne sont pas équilibrées au niveau de leur taille, les plus présentes vont influer sur le modèle. Si vous avez par exemple un cas positif pour 99 cas négatifs, vous atteignez aisément 99 % de précision en considérant tous les cas comme négatifs. Plusieurs options sont disponibles pour gérer les classes déséquilibrées.
Changement de métrique
Une solution consiste à utiliser autre chose pour le calibrage que l’exactitude (accuracy), par exemple la valeur AUC. Lorsque les tailles cibles sont différentes, la précision et le rappel constituent de meilleures options, mais il y en a d’autres.
Algorithmes arborescents et ensembles
Les performances des modèles arborescents ...
Get Machine learning : les fondamentaux now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
