Un modèle de classification binaire étiquette les produits comme "Passed" (réussi) ou "Failed" (échoué) et trie les articles en conséquence sur une chaîne de montage. Quelles métriques d'évaluation devraient être utilisées pour évaluer la performance du modèle ? (Choisissez-en deux.)

Pour un modèle de classification binaire comme celui-ci, la précision et le rappel sont des métriques essentielles. La précision mesure la proportion de prédictions positives correctes parmi toutes les prédictions positives, utile pour minimiser les faux positifs (produits "Failed" alors qu'ils sont "Passed"). Le rappel mesure la proportion de prédictions positives correctes parmi toutes les instances positives réelles, utile pour minimiser les faux négatifs (produits "Passed" alors qu'ils sont "Failed"). L'exactitude (Accuracy) est la proportion de prédictions correctes sur le total des prédictions, tandis que le score F1 est la moyenne harmonique de la précision et du rappel, offrant un équilibre entre les deux, particulièrement utile lorsque les classes sont déséquilibrées. Les autres options sont incorrectes : Le RMSE et le MAPE sont des métriques pour les modèles de régression, non pour la classification. Le score BLEU et la perplexité sont des métriques utilisées en traitement du langage naturel, non pertinentes ici.