Un spécialiste en IA a créé un classifieur d'images par apprentissage profond pour les types de matériaux et doit maintenant évaluer ses performances. Quelle métrique est la plus utile pour évaluer un modèle de classification ?

La matrice de confusion est la métrique la plus utile pour évaluer un modèle de classification car elle fournit un aperçu détaillé des performances du modèle, incluant les vrais positifs, vrais négatifs, faux positifs et faux négatifs. Cela permet de calculer des métriques clés comme la précision, le rappel, le score F1 et l'exactitude, essentielles pour comprendre les forces et les faiblesses du classifieur. La matrice de corrélation mesure la relation entre des variables et n'est pas adaptée à l'évaluation de classifieurs. Le score R2 et l'erreur quadratique moyenne (MSE) sont des métriques utilisées pour évaluer des modèles de régression, pas de classification.