Machine Learning - La bonne métrique Scikit Learn

Описание: Cette vidéo décrit les différentes façons d'évaluer la qualité des prédictions d'un modèle d'apprentissage automatique dans scikit-learn.
1. Les trois API d'évaluation
Il existe trois méthodes principales pour évaluer la qualité des prédictions d'un modèle :
Méthode score de l'estimateur :
Chaque estimateur (classifieur, régresseur) possède une méthode score() qui fournit un critère d'évaluation par défaut pour le problème qu'il est conçu à résoudre.
Paramètre scoring :
Les outils de sélection de modèle utilisant la validation croisée (comme model_selection.cross_val_score et model_selection.GridSearchCV) se basent sur une stratégie de scoring interne.
Ce paramètre permet de spécifier la métrique à optimiser (par exemple, en utilisant des chaînes de caractères comme 'accuracy', 'precision').
Il est possible de spécifier plusieurs métriques comme un itérable de chaînes ou un dictionnaire mappant un nom de scorer à la fonction de scoring.
Fonctions de métrique (module sklearn.metrics) :
Le module sklearn.metrics met en œuvre des fonctions pour évaluer l'erreur de prédiction à des fins spécifiques.
Ces fonctions sont utilisées pour évaluer les performances après la prédiction (étant donné la vérité terrain et la prédiction du modèle).
Elles se divisent en plusieurs catégories