EP01_02 — 📊 Performance Prédictive — Métriques de ML en VC

1.17.2 EP01_02 📊 Performance Prédictive — Métriques de ML en VC

Dans cette activité, vous entrerez dans le monde de l’Apprentissage Automatique (Machine Learning). Votre objectif est d’évaluer la performance d’un classificateur binaire en calculant des métriques à partir d’une Matrice de Confusion.

1.17.2.1 🧠 Pourquoi la bonne métrique est-elle importante ?

Imaginez un détecteur de pièces de R$ 1,00. L’impact de l’erreur définit la métrique prioritaire :

Métrique	Exemple Pratique	Importance en TDI/VC
Exactitude	Comptage de Grains	Utile lorsque les classes sont équilibrées (ex : la moitié des grains défectueux, l’autre moitié sains).
Précision	Sécurité/Biométrie	Cruciale pour éviter les Faux Positifs (ex : ne pas permettre à un imposteur d’accéder à un système par erreur de reconnaissance).
Sensibilité	Santé (Tumeurs)	Cruciale pour éviter les Faux Négatifs (ex : ne pas laisser une tumeur passer inaperçue lors d’un examen radiologique).
Score F1	Billets de Banque	Idéale pour un équilibre entre ne pas rejeter de vrais billets et ne pas accepter de faux billets.

1.17.2.2 📊 La Matrice de Confusion

	Prédit Positif	Prédit Négatif
Réel Positif	VP (Vrai Positif)	FN (Faux Négatif)
Réel Négatif	FP (Faux Positif)	VN (Vrai Négatif)

Tâche :

Lisez 4 valeurs entières dans l’ordre : VP, FN, FP, VN.
Calculez les métriques à l’aide des formules :

\[\text{Exactitude} = \frac{VP + VN}{VP + VN + FP + FN}\]

\[\text{Précision} = \frac{VP}{VP + FP}\]

\[\text{Sensibilité (Rappel)} = \frac{VP}{VP + FN}\]

\[\text{Score F1} = \frac{2 \times \text{Précision} \times \text{Sensibilité}}{\text{Précision} + \text{Sensibilité}}\]

Affichez les résultats formatés avec deux décimales, un par ligne.

📌 Important :

Utilisez la division en virgule flottante pour éviter des résultats tronqués.
L’ordre de sortie doit être : Exactitude, Précision, Sensibilité et Score F1.
Consultez la simulation interactive de cet EP sur la Figure 1.12.

1.17.2.3 📌 Exemple d’Exécution

Entrée	Sortie	Observation
`40`	`0.75`	Exactitude
`10`	`0.73`	Précision
`15`	`0.80`	Sensibilité
`35`	`0.76`	Score F1

(Note : VP=40, FN=10, FP=15, VN=35. Nombre total de cas = 100)

🎮 Simulateur EP01_02 : Performance Prédictive — Métriques de ML Matrice de Confusion & Métriques

Sélectionnez un scénario prédéfini ou ajustez les curseurs pour observer l'impact en temps réel sur la matrice de confusion et les métriques d'évaluation.

ENTRÉES (PARAMÈTRES DE LA MATRICE)

VP 40

FN 10

FP 15

VN 35

MATRICE DE CONFUSION DISCRÈTE

Pred +
Pred −
Réel +
VP
40
FN
10
Réel −
FP
15
VN
35

MÉTRIQUES CALCULÉES EN TEMPS RÉEL

Exactitude (Accuracy) 0.75

(VP + VN) / Total

Précision 0.73

VP / (VP + FP)

Sensibilité (Rappel) 0.80

VP / (VP + FN)

Score F1 (Moyenne Harmonique) 0.76

2 · (P · R) / (P + R)

Total d'Échantillons : 100

Figure 1.12: Simulateur EP01_02 : Performance Prédictive — Métriques de ML

%%writefile EP01_02.cpp
// your solution

Overwriting EP01_02.cpp

TestSuite("EP01_02.cpp").run()

✔️ EP01_02.cases existe déjà dans casos/
📋 5 cas chargé(s) depuis casos/EP01_02.cases

🔍 Test de C++ : EP01_02.cpp
⚠️ EP01_02.cpp : fichier vide (moins de 3 lignes). Tests ignorés.