Prédictions positives et négatives vraies et fausses

Il est important de comprendre ces définitions car elles constituent un élément clé pour expliquer d'autres concepts fondamentaux de l'apprentissage automatique tels que la précision et le rappel.

Les définitions ci-dessous sont décrites dans le contexte de leur application dans la plate-forme.

Pour commencer :

• Une prédiction « positive » est celle où le modèle suppose qu'un libellé s'applique à un message
• Une prédiction « négative » est celle où le modèle suppose qu'un libellé ne s'applique pas à un message

Vrai positif

Un résultat vrai positif est celui où le modèle prédit correctement qu'une étiquette s'applique à un message.

Vrai négatif

Un vrai résultat négatif est celui où le modèle prédit correctement qu'une étiquette ne s'applique pas à un message.

Faux positifs

Un résultat faussement positif est celui où le modèle prédit à tort qu'une étiquette s'applique à un message, alors qu'en fait, ce n'est pas le cas.

Faux négatifs

Un résultat faussement négatif est celui où le modèle prévoit à tort qu'une étiquette ne s'applique pas à un message, alors qu'elle s'applique en fait.

Pour comprendre chacun de ces concepts plus en détail, veuillez consulter ici.