Both propositions

Logistic Regression

Linear Regression

None

53

43

23

None

KNN

All of the above

Kmeans

Decision tree

Le modèle prend trop de temps pour être entraîné sur les données.

Le modèle présente une mauvaise performance tant sur les données d'entraînement que sur les données de test.

Le modèle est tellement bien ajusté aux données d'entraînement qu'il échoue à bien généraliser sur de nouvelles données.

Le modèle est trop simple et ne peut pas capturer la structure sous-jacente des données

Le modèle nécessite plus de temps pour être entraîné.

Le modèle montre une excellente performance sur les données de test mais pas sur les données d'entraînement.

Le modèle présente une mauvaise performance tant sur les données d'entraînement que sur les données de test.

Le modèle a une précision parfaite sur les données d'entraînement.

Cette courbe ne permet pas de décider quand à la performance du modèle

Le modèle a une performance aléatoire.

Le modèle a une bonne performance

Le modèle a une faible performance.

L'AUC ne peut pas être de 0,5 pour un modèle de classification

Le modèle ne fait pas mieux que le hasard pour discriminer entre les classes

Le modèle a une excellente capacité de discrimination entre les classes.

Le modèle a une faible capacité de discrimination entre les classes.

Calculer la précision et le rappel d'un modèle de classification.

Déterminer la valeur optimale du seuil de classification

Évaluer la capacité d'un modèle de classification à distinguer entre les classes

Comparer la performance de différents modèles de classification.

Le rappel du modèle

La précision du modèle

La sensibilité du modèle

La spécificité du modèle

Rappel uniquement

La moyenne harmonique de la précision et du rappel

Précision uniquement

Aucune des réponses ci-dessus