Niveau : Débutant
Karen Copeland, propriétaire, Boulder Statistics
Tarek Zikry, stagiaire technique, SAS
Mia Stephens, ambassadrice académique JMP, SAS
Pour les modèles de classification dichotomiques (bons/mauvais, négatifs/positifs, oui/non, etc.), une courbe ROC et l'aire sous la courbe (ASC) 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'ASC peut être trompeuse hors du contexte du problème de modélisation. Pour certains modèles, le taux global d'erreurs de classification est essentiel ; pour d'autres, les erreurs de classification ont un coût. Ce coût peut être très différent selon qu'il s'agit d'un faux négatif ou d'un faux positif. Nous aborderons les modèles dichotomiques de prédiction, leurs courbes ROC, leurs courbes de portance et d'autres affichages de la performance des modèles. Nous aborderons également les méthodes de sélection des seuils optimaux pour la classification et les mesures de performance basées sur ce seuil. Afin de faciliter la sélection du seuil optimal pour les modèles de classification et le calcul des indicateurs de performance, nous avons développé une application JMP interactive et graphique. Nous illustrerons cette application à l'aide d'une étude de cas convaincante.
