Évaluation de la performance de classification pour des données multiclasses déséquilibrées

Résumé L'évaluation des systèmes de diagnostic est essentielle pour garantir le déploiement de solutions de haute qualité, surtout compte tenu de la sensibilité contextuelle prononcée de certains systèmes, en particulier dans des domaines comme la biomédecine. D'une importance notable, les modèles prédictifs où la variable cible peut comprendre plusieurs valeurs (multiclass), surtout lorsque ces classes présentent des disparités de fréquence substantielles (déséquilibre). Dans cette étude, nous introduisons la courbe de Performance de Classification Multiclasse Déséquilibrée (IMCP), spécifiquement conçue pour des ensembles de données multiclasses (contrairement à la courbe ROC), et caractérisée par sa résilience aux variations de distribution des classes (en contraste avec la précision ou le score F _ β). De plus, la courbe IMCP facilite l'évaluation de la performance individuelle pour chaque classe au sein du système de diagnostic, mettant en lumière la confiance associée à chaque prédiction—un aspect de particulièrement grande importance dans le diagnostic médical. Des expériences empiriques réalisées avec des données du monde réel dans un contexte multiclass (impliquant 35 types de tumeurs) présentant un niveau d'imblance élevé démontrent que la courbe IMCP et la zone sous la courbe IMCP servent d'excellents indicateurs de qualité de classification.