La métrique la plus robuste pour évaluer les modèles de classification, en particulier sur des ensembles de données déséquilibrés.
Matrice de confusion
Performances du modèle
Score MCC0.616
Superior Predictor
Précision80.0%
Score F10.800
Précision88.9%
Rappel72.7%
Interprétation
+1,0 = Parfait, 0,0 = Aléatoire, -1,0 = Inverse.
Overview
Le coefficient de corrélation de Matthews (MCC) est largement considéré comme la meilleure mesure pour résumer un modèle de classification. Contrairement à l’exactitude, il considère les quatre valeurs de la matrice de confusion de la même manière, ce qui le rend robuste face à des ensembles de données très déséquilibrés.
💡
Pro Tips
Utilisez MCC au lieu de Accuracy lorsque les classes sont déséquilibrées (par exemple, détection de fraude).
Un score MCC supérieur à 0,7 est généralement considéré comme un prédicteur très puissant.
Un score de 0 signifie que votre modèle ne vaut rien de mieux qu’une supposition aléatoire.
!
Fun Facts
"MCC est également connu sous le nom de coefficient phi (φ)."
"Si un modèle prédit chaque instance comme classe majoritaire, son MCC sera de 0, tandis que sa précision pourrait être de 99 % ou plus."
"Le MCC est essentiellement un coefficient de corrélation entre les classifications binaires observées et prédites."
