Evaluation des performances des modèles à base d’IA

•True Positive (TP) : la prédiction et la valeur réelle

sont positives.
Exemple : Une personne malade et prévu malade.
•True Negative (TN) : la prédiction et la valeur
réelle sont négatives.
Recall Exemple : Une personne saine et prévu saine.
•False Positive (FP) : la prédiction est positive alors
que la valeur réelle est négative.
Exemple : Une personne saine et prévu malade.
•False Negative (FN) : la prédiction est négative
alors que la valeur réelle est négative.
Exemple : Une personne malade et prévu saine.

2/ 33
 Evaluation des performances des modèles à base d’IA
Exemple 1:

Sentiment
Réel

Sentiment
Prédit

Recall= TP/TP+FN NPV= TN/TN+FN=60%

3/5=60%

Sentiment positif Specficity=TN/TN+FP Precision = TP/TP+FP=

FN=2 3/4=75% 75%
TP= 3

FP=1 TN=3 Accuracy= F1-Score= TP/TP+1/2(FP+F

Sentiment négatif TP+TN/TP+TN+FP+FN=
N)=66%

3/ 33
Ce modèle est moyennement performé 66%
Evaluation des performances des modèles à base d’IA
Exemple 2: happy
useless good
worst like
unhappy freindly
disLike yes
poor love
bad pleasure
Can’t great
hard worth
care
helpful
pretty
Recall= 10/14=71%
FN=2 NPV= 6/8=75%
TP=10 Specficity= 6/8=75%
Precision = 10/12=83%
Accuracy= 16/20=80%
FP=2 TN=6 F1-Score= 10/12=83%
4/ 33