Idée
Compter combien de fois le modèle a deviné juste, et diviser par le nombre total d'essais.
Pourquoi
Compter combien de fois le modèle a deviné juste, et diviser par le nombre total d'essais. Sur dix mille images, si le modèle en classe correctement sept mille, l'accuracy vaut 70%.
Outil
Une fréquence empirique $\hat{p} = \frac{1}{m}\sum_{i=1}^m \mathbf{1}_{\hat{y}_i = y_i}$ — la moyenne d'indicatrices, exactement comme on calcule une fréquence en probabilités élémentaires.
Formule
Cell 18 énonce les deux performances. Sans regarder, donner les deux nombres approximatifs.
Piège
Sur MNIST 10 classes équilibrées, baseline aléatoire = 10%. 90% = bon. Mais sur un dataset déséquilibré (99% classe A, 1% classe B), un classifieur qui prédit toujours A atteint 99% — totalement inutile. L'accuracy est contextuelle. MPSI doit toujours regarder la baseline (random + majoritaire) avant de juger.