Réponse rapide
La métrique de classification se choisit selon la prévalence, le coût des faux positifs et faux négatifs, le besoin de classement et la conséquence de la décision du robot.
Erreur
Utilisez précision, rappel, spécificité, F1 ou matrice de confusion pour rendre visibles les erreurs par classe. Pour une classe rare, l’exactitude seule est trompeuse.
Seuil
Mesurez courbe précision-rappel, ROC ou coût attendu selon le réglage réel. Ajoutez calibration et taux d’abstention quand la confiance pilote une action.
Mission
Évaluez aussi latence, énergie, robustesse et effet sur trajectoire ou arrêt. La métrique retenue doit correspondre à un risque concret, pas seulement à un score facile à optimiser.
Sources et références
- [1] Model Evaluation — scikit-learn User Guide — scikit-learn