Matrice de Confusion et Métriques
Précision, rappel, F1-score
Enonce
Calculer la matrice de confusion, la précision, le rappel et le F1-score à partir de prédictions binaires.
Signature attendue
def matrice_confusion(y_vrai, y_pred) -> dict:Exemples
matrice_confusion([1, 1, 1, 0, 0], [1, 1, 0, 0, 1])["VP"]→2round(matrice_confusion([1, 1, 1, 0, 0], [1, 1, 0, 0, 1])["f1"], 4)→0.6667
📖 Rappel de cours
La matrice de confusion résume les prédictions d'un classifieur binaire en 4 catégories : VP, FP, VN, FN.
Métriques :
$\text{Précision} = \frac{VP}{VP+FP}, \quad \text{Rappel} = \frac{VP}{VP+FN}$
$\text{F1} = 2 \cdot \frac{\text{Précision} \cdot \text{Rappel}}{\text{Précision} + \text{Rappel}} = \frac{2\,VP}{2\,VP+FP+FN}$
$\text{Exactitude (Accuracy)} = \frac{VP+VN}{VP+VN+FP+FN}$
L'exactitude peut être trompeuse sur des classes déséquilibrées. Préférer F1.
⚠ Le piège : L'exactitude est trompeuse sur des classes déséquilibrées : si 95 % des exemples sont négatifs, répondre toujours « négatif » donne 95 % sans rien avoir appris. C'est pourquoi on regarde la précision, le rappel et leur moyenne harmonique — le F1, qui s'effondre dès que l'un des deux est mauvais.
← Exercices d'IA et d'apprentissage automatique en Python — CPGE
Exercices du meme theme
- Régression Linéaire
- Perceptron Simple
- Descente de Gradient
- Validation Croisée k-fold
- Arbre de Décision Simple
- Normalisation des Données
La correction commentee, les indices progressifs, l'execution du code dans le navigateur et la verification par l'IA sont reserves aux abonnes.