Comment choisir une métrique de classification pour une perception robotique ?
Mise à jour28 août 2026
Lecture1 minute
Réponse rapide
On choisit une métrique de classification selon l’erreur la plus importante pour la perception : rater un obstacle, déclencher une fausse alerte ou confondre deux objets n’a pas le même coût.
Lire la matrice des erreurs
La précision indique la part des alertes justes ; le rappel indique la part des cas importants retrouvés. La matrice de confusion montre quelles catégories sont réellement confondues.
Repérer une personne
Pour une zone de sécurité, manquer une personne est généralement plus grave qu’arrêter par précaution. Le rappel et l’analyse des faux négatifs pèsent alors davantage que la seule exactitude.Une métrique unique simplifie trop
Un modèle peut progresser sur une moyenne tout en régressant dans une lumière ou une distance particulière. Les résultats sont ventilés par contexte et par classe.
Sources et références
- [1] Metrics and scoring: quantifying the quality of predictions — scikit-learn