RINA - Démonstrateur d’utilisation de l’intelligence artificielle pour la gestion opérationnelle des risques naturels gravitaires géologiques | FEREC 2020

Livrable – Projet RINA – AAP Fondation Ferec / Novembre 2021 11/20 Figure 8: modèle type proches voisins Figure 9 : modèle type arbre de décision Figure 10 : modèle type réseau de neurones 3.3.3 Métriques d’évaluation des modèles Les modèles prédictifs sont construits sur un ensemble d'apprentissage (données de 2000 à 2004) et évalués sur les données de test (données de 2005 à 2007), ces deux ensembles arborant un comportement stationnaire dans le temps. Les performances des modèles sont évaluées à l'aide de la matrice de confusion calculée sur les données de test (Tableau 1). La matrice de confusion est un tableau de deux lignes et deux colonnes qui indique le nombre de : • vrais positifs (VP) : jours avec événements et le modèle prédit des événements, • vrais négatifs (VN) : jours sans événements et le modèle ne prédit aucun événement, • faux positifs (FP) : jours sans événements et le modèle prédit des événements, • faux négatifs (FN) : jours avec événements et le modèle ne prédit aucun événement. Réalité Pas de chutes de blocs Chutes de blocs Prédic- tions Pas de chutes de blocs Vrai négatif (VN) Faux négatif (FN) Chutes de blocs Faux positif (FP) Vrai positif (VP) Tableau 1 : Matrice de confusion