Contexte
Résultats
En comparant les résultats du modèle généré automatiquement avec les valeurs de références (vérité connue de l’utilisateur lié à ses essais simulés), le modèle a eu les métriques suivantes :
- 83% de TNR (True Negative Rate) : la capacité du modèle a bien détecter les cycles sains
- 92% de TPR (True Positive Rate) : la capacité du modèle a bien détecter les cycles non-sains
Le compromis entre ces résultats peut être amélioré facilement en modifiant le seuil du modèle. Cette option est à disposition de l’utilisateur pour permettre à celui-ci de choisir le meilleur compromis qui correspond à son application.
Dans le cas ici présent l’utilisateur souhaité baisser le seuil pour améliorer la détection des cycles non-sains quitte à augmenter le nombre de “faux positifs”.
Évaluation des performances d’un détecteur de pannes
Dans un contexte d’apprentissage automatique d’un classifieur binaire, il est essentiel de proposer une stratégie d’évaluation de ses performances. Cela permet de juger de la qualité de l’apprentissage du modèle, et d’évaluer ses résultats lors de la prédiction.