Évaluation et confiance
73 méthodes dans cette famille.
À la une
ExactitudeAccuracy is the proportion of correct predictions among the total number of predictions made by a classification model. It is the most intuitive performance metric and measures howR-carré ajusté (R²_adj)Adjusted R² is a corrected version of the coefficient of determination that accounts for the number of predictors in a regression model. Introduced by Henri Theil in 1961, it addreIndice de Rand AjustéThe Adjusted Rand Index (ARI), developed by Hubert and Arabie in 1985, is an external clustering evaluation metric that measures the agreement between a predicted clustering and a Critère d'information d'Akaike (AIC)The Akaike Information Criterion is an information-theoretic measure for model selection that balances goodness of fit against model complexity. Introduced by Hirotugu Akaike in 19Précision équilibréeBalanced accuracy is the average of recall values computed for each class separately. It corrects for class imbalance by giving equal weight to the performance on each class, regarScore de BrierThe Brier score measures the mean squared difference between predicted probabilities and actual binary outcomes. It is a simple, interpretable metric for evaluating the accuracy of
Parcours de lecture
Les méthodes fondamentales les plus citées de ce thème, dans l'ordre de leur développement — un point de départ si vous débutez ici.
Toutes les méthodes 73
ExactitudeR-carré ajusté (R²_adj)Indice de Rand AjustéCritère d'information d'Akaike (AIC)Précision équilibréeScore de BrierQuestionnaire sur la morphologie corporelle (BSQ)Indice de Calinski-HarabaszÉtalonnage des calorimètresAnalyse d'items pour tests adaptatifs informatisésMatrice de confusionExplications contrefactuellesIndice de Davies-BouldinIndice de DunnMéthode du coudeRègles d'association explicablesDétection d'anomalies par autoencodeur explicableArbre de décision explicableFP-Growth explicableModèle de mélange gaussien explicableProcessus Gaussien ExplicableHDBSCAN ExplicableIsolation Forest ExplicableK-Means ExplicableK-Plus-Proches-Voisins ExplicableLightGBM ExplicableNaïve Bayes ExplicableSVM à une classe explicableForêt Aléatoire ExplicableEnsemble d'empilement explicableMachine à Vecteurs de Support ExplicableEnsemble de vote explicableXGBoost ExplicableScore F-bêtaScore F1Apprentissage automatique conscient de l'équitéIndice de Fowlkes-MallowsStatistique de l'écartMorphométrie géométriqueGlaucoma Quality of Life-15Perte de HammingInertieIndice de JaccardCourbe de Lift et de GainLIME : Explications Locales Interprétables Agnostiques du ModèlePerte logarithmique (Entropie croisée)Analyse longitudinale des itemsF1 moyen macroErreur Absolue Moyenne (EAM)Erreur Absolue Moyenne en Pourcentage (MAPE)Erreur Absolue Moyenne Normalisée (MASE)Erreur quadratique moyenne (EQM)F1-score moyenné par micro-classeCalage du modèleInformation Mutuelle NormaliséePrécisionAire sous la courbe Précision-RappelÉchelle de justice des prixCoefficient de détermination (R²)Rappel (Sensibilité)Modèle Rasch robusteErreur quadratique moyenne (RMSE)SHAP (SHapley Additive exPlanations)Modèle Rasch de forme abrégéeThéorie de Réponse aux Items à Forme Courte (TRI-FC)Score de SilhouetteSpécificitéPondération et calibration d'enquêteMAPE symétrique (sMAPE)Algorithme de limitation de débit par seau à jetonsV-measureF1 pondéréStatistique J de Youden