NLP
Fondamental
Correction d’un modèle évalué uniquement avec accuracy sur dataset déséquilibré
Type d'évaluation
Mise en situation réelle
Analyse
Intelligence Artificielle
Compétences ciblées
evaluation
imbalanced-data
classification
metrics
bugfix
Scénario Technique
Contexte : Un modèle de détection de spam affiche 95% d’accuracy. Le Problème : Les emails non spam sont majoritaires, masquant la faible détection des spams. Extrait logique actuelle : print(accuracy_score(y_test, y_pred)) Contraintes : Calculer precision, recall et F1-score. Analyser matrice de confusion. Adapter évaluation au déséquilibre. Livrable attendu : Proposer une évaluation plus pertinente du modèle NLP adaptée aux classes déséquilibrées.
Prêt à évaluer ce talent ?
Accédez à l'interface de test complète pour soumettre votre architecture ou votre code.