ROC, AUC et seuils
Évaluer la qualité du classement selon les seuils
ROC, AUC et seuils est une leçon Data Science Academy gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Data Science Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Data Science Academy comprend 4 leçons au total.
Les modèles produisent des probabilités
La plupart des classificateurs ne répondent pas simplement oui ou non. Ils fournissent une probabilité, comme 0,73, et vous décidez où placer la limite. 🎚️
probs = model.predict_proba(X)[:, 1]Le seuil de décision
Un seuil transforme une probabilité en étiquette. Au-dessus, le résultat est positif ; en dessous, il est négatif. La valeur par défaut de 0,5 n’est qu’un choix parmi d’autres.
y_pred = probs >= 0.5Déplacer la limite
Abaissez le seuil pour détecter davantage de positifs, au prix d’une hausse des fausses alertes. Relevez-le pour être plus strict, mais vous manquerez davantage de cas. Chaque réglage implique un compromis.
Deux taux à suivre
À mesure que le seuil se déplace, observez le taux de vrais positifs par rapport au taux de faux positifs. Ensemble, ils décrivent le modèle pour chaque seuil.
La courbe ROC
La courbe ROC représente le taux de vrais positifs en fonction du taux de faux positifs pour tous les seuils, et montre ainsi l’ensemble du compromis en une seule image.
from sklearn.metrics import roc_curve
fpr, tpr, thr = roc_curve(y_true, probs)Lire la forme de la courbe
Une courbe qui longe le coin supérieur gauche est excellente : le taux de détection est élevé et les fausses alertes sont rares. Une ligne diagonale correspond à des prédictions aléatoires.
Aire sous la courbe
AUC résume toute la courbe ROC en une seule valeur : l’aire située sous la courbe. Elle synthétise les performances pour tous les seuils à la fois.
from sklearn.metrics import roc_auc_score
roc_auc_score(y_true, probs)Ce que signifie AUC
Un AUC de 1,0 est parfait, tandis que 0,5 correspond à un résultat aléatoire, comme un pile ou face. Interprétez-le comme la probabilité que le modèle classe un vrai positif au-dessus d’un vrai négatif.
Comparer sans seuil fixe
Comme AUC ignore tout seuil particulier, il est très utile pour comparer des modèles. Le meilleur classe plus souvent les positifs avant les négatifs.
Choisissez ensuite un seuil
AUC permet de choisir le modèle, mais vous devez toujours définir le seuil pour son utilisation réelle, en l’ajustant pour favoriser le rappel ou la précision positive selon les besoins du problème.
Quand privilégier les courbes PR
Avec des données très déséquilibrées, ROC peut donner une impression trop favorable. Une courbe précision-rappel montre souvent plus fidèlement les performances sur la classe rare.
Vérification rapide
Vérifions ce qu’AUC vous apprend réellement sur un classificateur.
Récapitulatif
Le seuil transforme les probabilités en étiquettes, la courbe ROC montre tous les compromis et AUC évalue l’ensemble de la courbe en une seule fois. 🎯
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « ROC, AUC et seuils » est-elle gratuite ?
Oui — le texte complet de « ROC, AUC et seuils » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Data Science Academy, passe à CoddyKit PRO. Le cours Data Science Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « ROC, AUC et seuils » ?
Évaluer la qualité du classement selon les seuils Tu pratiques Data Science Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Data Science Academy ?
Aucune expérience préalable n'est requise. Data Science Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « ROC, AUC et seuils » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Data Science Academy ?
Oui. Chaque leçon Data Science Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Métriques de régression : MAE, MSE, R2
- La matrice de confusion décodée
- Précision, rappel et F1
- ROC, AUC et seuils