Prédictions positives et négatives vraies et fausses

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

Les définitions suivantes sont décrites dans le contexte de leur application au sein de la plate-forme :

• 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 positifs : un vrai résultat positif est celui où le modèle prévoit correctement qu’un libellé s’applique à un message.

Vrai négatif : un vrai résultat négatif est celui où le modèle prévoit correctement qu’un libellé ne s’applique pas à un message.

Faux positifs : un résultat faux positif est celui où le modèle prévoit à tort qu’un libellé s’applique à un message, alors que ce n’est pas le cas.

Faux négatifs : un faux résultat négatif est celui où le modèle prévoit à tort qu’un libellé ne s’applique pas à un message, alors que c’est le cas.

Pour comprendre plus en détail chacun de ces concepts, consultez la section Précision et rappel expliqué.