Bonne réponse
Explication
Le score F1 est la moyenne harmonique de la précision et du rappel, fournissant une métrique unique qui équilibre les deux lorsque les classes sont déséquilibrées. Dans ce scénario, l'exactitude est trompeusement élevée (98%) car le modèle prédit toujours la classe majoritaire (cat), atteignant une haute exactitude sans réellement apprendre à distinguer les chats des chiens. Le score F1 pénalise le modèle pour son faible rappel sur la classe minoritaire (dogs), offrant une évaluation plus réaliste de ses performances.
Pour aller plus loin
Avec une répartition de 95/5 et un modèle qui prédit toujours 'cat', l'exactitude atteint 95% tandis que le rappel pour les chiens est nul ; par conséquent, le score F1, qui est la moyenne harmonique de la précision et du rappel, expose l'échec en tendant vers zéro dès qu'un composant est médiocre. La précision seule peut également induire en erreur car le modèle ne prédit jamais la classe minoritaire, rendant ses prédictions positives correctes de manière triviale. Une subtilité intéressante est que le F1 pondère la précision et le rappel de manière égale ; ainsi, si les faux négatifs sont plus coûteux que les faux positifs, le rappel ou un F1 pondéré par bêta peut être préféré. En pratique, un modèle de dépistage médical sur des données de maladies rares a besoin de ce type de métrique pour éviter de déployer un classificateur qui ne signale jamais la condition pour laquelle il a été conçu.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.