
1 Introduction
Ce questionnaire évalue votre compréhension des modèles de classification et des métriques d’évaluation spécifiques à ces tâches. Pour chaque question, cochez la case correspondant à la réponse la plus correcte.
2 Questions
Dans une matrice de confusion pour un test de dépistage médical, qu’est-ce qu’un “Faux Négatif” (False Negative) représente ?
Si votre objectif est de détecter un maximum de transactions frauduleuses, même si cela implique d’enquêter sur quelques transactions légitimes, quelle métrique devez-vous chercher à maximiser en priorité ?
Pourquoi le Score F1 est-il souvent une meilleure métrique que l’Exactitude (Accuracy) pour des jeux de données déséquilibrés ?
Quelle est la fonction de la courbe ROC dans l’évaluation d’un classifieur binaire ?
Quel est le rôle principal de la fonction sigmoïde dans la régression logistique ?
Quelle est l’hypothèse “naïve” qui donne son nom au classifieur Naïf Bayésien ?
Quel est l’objectif fondamental d’un classifieur à Vecteurs de Support (SVM) à marge dure ?
Dans les SVM, à quoi sert principalement l’“astuce du noyau” (kernel trick) ?
Quelle est la différence fondamentale entre le Bagging (ex: Forêt Aléatoire) et le Boosting (ex: Gradient Boosting) ?
Un score AUC (Area Under the ROC Curve) de 0.5 signifie que le modèle…