Niveau : Débutant
Karen Copeland, propriétaire, Boulder Statistics
Tarek Zikry, stagiaire technique, SAS
Mia Stephens, ambassadrice académique JMP, SAS
Pour les modèles de classification dichotomique (bon versus mauvais, négatif versus positif, oui versus non, etc.), une courbe ROC et l'aire sous la courbe (AUC) associée sont souvent utilisées pour décrire la capacité du modèle à différencier les deux groupes. Bien qu'il s'agisse d'un début, la courbe ROC peut être difficile à comprendre et l'AUC peut être trompeuse en dehors du contexte du problème de modélisation. Pour certains modèles, le taux global d'erreur de classification est essentiel ; pour les autres modèles, il y a un coût associé aux erreurs de classification. Ce coût peut être très différent pour un faux négatif par rapport à un faux positif. Nous discuterons des modèles dichotomiques de prédiction et de leurs courbes ROC associées, des courbes de levage et des affichages alternatifs des performances du modèle. Nous discuterons également des méthodes de sélection des seuils optimaux pour la classification et des mesures de performance basées sur le seuil spécifié. Afin de faciliter la sélection du seuil optimal pour les modèles de classification et le calcul des métriques de performance, nous avons développé une application JMP interactive et graphique. Nous allons démontrer cette application avec une étude de cas convaincante.
