Aperçu
Une courbe ROC (Receiver Operating Characteristic) est un graphique qui illustre la capacité d’un modèle d’IA à distinguer entre deux catégories, par exemple : des cibles de forage riches en minéraux vs stériles. Elle permet d’évaluer la performance des modèles VRIFY.AI.
En traçant le taux de vrais positifs (sensibilité) par rapport au taux de faux positifs (1 - spécificité), la courbe ROC aide à mesurer la précision du modèle dans l’identification des sites d’exploration prometteurs.
Ce que vous apprend la courbe
La courbe ROC permet d’évaluer l’équilibre du modèle entre la détection correcte de cibles intéressantes (vrais positifs) et la réduction des prédictions incorrectes (faux positifs).
Une courbe proche du coin supérieur gauche indique de très bonnes performances, avec une forte précision et peu de faux positifs.
Une courbe proche de la diagonale indique des performances faibles, proches d’un simple hasard, ce qui suggère qu’un ajustement des paramètres du modèle est nécessaire.
L’aire sous la courbe (AUC) fournit un score global de performance :
1,0 représente une prédiction parfaite.
0,5 indique que le modèle ne fait pas mieux qu’un tirage au sort.
Comment lire le graphique
La courbe ROC trace :
l’axe des X : le taux de faux positifs – proportion de sites stériles identifiés à tort comme riches en minéraux.
l’axe des Y : le taux de vrais positifs – capacité du modèle à identifier correctement les cibles connues riches en minéraux.
Plus la courbe est proche du coin supérieur gauche, plus le modèle est performant. Si elle est proche de la diagonale, le modèle a besoin d’être ajusté, via :
un nouveau paramétrage des seuils,
une amélioration des données d’entrée (features),
ou un retraining du modèle.
Vous avez encore des questions ?
Contactez votre contact DORA ou envoyez un e-mail à support@VRIFY.com pour plus d'informations.