1 files changed, 69 insertions, 0 deletions
diff --git a/ML/03_classif/Classification.md b/ML/03_classif/Classification.md
new file mode 100644
index 0000000..773fe3a
--- /dev/null
+++ b/ML/03_classif/Classification.md
@@ -0,0 +1,69 @@
+Exemple du MNIST
+$X$ = données d'entraînement
+$y$ = valeur associée
+
+# Classification Binaire
+Identification d'un chiffre comme n ou pas n
+
+## Mesure de performance
+Plus compliqué que pour un régresseur
+Validation croisée en k ensembles
+On apprend sur k-1 sous-ensembles
+Attention à la taille des sous-ensembles, accuracy pas forcément représentative
+
+## Matrices de confusion
+
+|              | prédit negatif | prédit positif |
+| ------------ | -------------- | -------------- |
+| reel negatif | Vrai negatifs  | faux positifs  |
+| reel positif | faux negatifs  | vrai positifs  |
+-> Compter le nb de fois les instances de la classe A sont classées B pour tout A/B
+
+## Précision/Rappel
+$$
+acc = \frac{VP}{VP + FP}
+$$
+$$
+rapp = \frac{VP}{VP + FN}
+$$
+Précision = banquier, veut se planter le moins possible
+Rappel = Docteur, ne veut pas rater de positifs
+
+## Score F pour combiner accu et recall
+Pénalise bcp les modèles qui ont gros rappel et petite accu et inverse
+
+Assignation à une classe en fonction du score
+Recherche d'opti Précision/Rappel
+
+## Courbe ROC
+Utilisée communément avec classif binaire
+Ratio taux faux positif / taux vrai positif
+
+## Choix d'une courbe
+
+- PR si classe positive rare/minoritaire ou si on se soucie plus des vrais positifs que des faux negatifs
+
+
+# Classification multi-classes
+## One versus rest/all
+Autant de classifieurs que de classes (10 si chiffres)
+
+## One versus one
+Un classifieur pour chaque paire de classes (45 pour les chiffres)
+Si $N$ classes : nbClassifieurs $= \frac{N\times(N+1)}{2}$
+
+## Limites
+- Sensibilité aux translations et rotations -> Preprocessing lourd et appliqué, ou augmentation de données
+
+# Classification multi-labels
+Ex : tags d'article comme sport et politique
+
+# Classification multi-output
+Prédiction d'un grand ensemble de valeurs
+Ex : Débruitage
+
+# Conclusion
+- Bonnes métriques pour la classification
+- Choix compromis recall accu
+- Comparer les classifieurs
+- Bons systèmes de classification sur une variété de tâches
+\ No newline at end of file