matrice de confusion et mesures de performanceÀ l'heure actuelle dans JMPpro, la seule mesure de performance automatique calculée à partir de la matrice de confusion d'un modèle est le taux de classification erronée et éventuellement l'AUC du ROC. D'autres mesures telles que les taux de Fase positif et de faux négatif, la sensibilité, la spécificité, la valeur prédictive négative et positive, la précision/rappel (= score F1) et le MCC sont couramment décrites dans la littérature ML et sont très utiles pour la comparaison de modèles. Des calculateurs en ligne existent mais nécessitent une saisie manuelle des données et sont sensibles aux erreurs de saisie (réf : site Internet des formules http://onlineconfusionmatrix.com/ ). Je n'ai aucune expérience avec le développement d'Add-Inns. Un Add-Inn qui calcule ces mesures de performances à partir de la matrice de confusion serait le bienvenu pour l'utilisateur JMP recherchant le modèle ML optimal. En effet, le ROC et le taux d'erreurs de classification sont loin d'être la meilleure mesure de performance, en particulier lorsque les données sont fortement déséquilibrées, une situation très courante dans la classification médicale. Ma question, est-ce utile de développer cet Add-Inn et y a-t-il quelqu'un sur le forum qui est capable de faire des efforts là-dessus ?
Salutations
Lu
Exploration et visualisation des donnéesModélisation prédictive et apprentissage automatiqueIngénierie Qualité et ProcédésRe : matrice de confusion et mesures de performanceSalut Lu,
Découvrez ces deux compléments pour voir s’ils vous aident avec ce que vous recherchez. Le second a beaucoup de ce que vous voulez mais a tendance à fonctionner lentement, alors soyez patient. Le premier que j'ai créé spécifiquement pour répondre aux mesures que je souhaitais pour les tests de diagnostic.
complément de résumé des performances
explorateur de seuil de classification de modèle
