Pour obtenir une vision granulaire des prédictions, vous pouvez activer les paramètres assess ou assessOneRow. Le premier ajoute les probabilités pour les niveaux d'événements, tandis que le second crée des colonnes distinctes pour chaque modalité de la cible, préfixées par _DT_P_. Ces données sont cruciales pour calculer des indicateurs de performance métier tels que le Lift ou l'indice de Gini via des outils d'évaluation complémentaires.
Quelles sont les méthodes pour extraire les probabilités de prédiction pour vos analyses de risque ?
Exemples pour l'action forestScore
Scoring de base avec statistiques d'erreur
Exécute le scoring sans table de sortie pour obtenir rapidement le taux d'erreur sur les données fournies.
Scoring complet avec export des probabilités et conservation d'ID
Ici, on génère une table de résultats incluant l'identifiant d'origine, les probabilités de chaque classe, et on utilise la moyenne des probabilités pour la décision finale.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Est-il possible d'ajuster la vitesse d'exécution du scoring en production ?
Comment expliquer les décisions du modèle grâce à l'analyse d'importance des variables ?
Comment industrialiser le déploiement de vos modèles prédictifs sur des volumes de données massifs ?
Comment transférer des informations contextuelles de la table source vers les résultats de scoring ?
Comment garantir la fiabilité du scoring face aux données incomplètes ou manquantes ?