Évaluer la performance de votre arbre de décision - 7.3

Rapprochement de données à l'aide des outils Talend

Version
7.3
Language
Français
Product
Talend Big Data Platform
Talend Data Fabric
Talend Data Management Platform
Talend Data Services Platform
Talend MDM Platform
Talend Real-Time Big Data Platform
Module
Studio Talend
Content
Création et développement > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement continu
Création et développement > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement de données
Création et développement > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement flou
Création et développement > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement utilisant l'apprentissage automatique
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement continu
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement de données
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement flou
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement utilisant l'apprentissage automatique
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement continu
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement de données
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement flou
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement utilisant l'apprentissage automatique
Last publication date
2024-02-07
Cette section explique comment évaluer les résultats de votre arbre de décision.

Ci-dessous se trouve une matrice de confusion utilisant les données de votre Job de test.

Le modèle essaye de prédire (conversion = non) true ou false.

  • TN = 15
  • TP = 446
  • FN = 12
  • FP = 41
  • Précision = (TP+TN)/Total = (15+446)/(446+15+12+41) = .90
  • Sensibilité = TP/(TP+FN) = (446)/(446+12) = .97
  • Spécificité = TN/(TN+FP) = (15)/(15+41) = .27

Lorsque vous avez testé le modèle d'arbre :

  • Les prédictions étaient correctes 90 % du temps (précision)
  • Il a prédit de manière précise 97 % des personnes qui ne sont pas passées par une conversion (sensibilité)
  • Il a prédit de manière précise 27 % des personnes qui sont passées par une conversion (spécificité)