Data & ML
Précision / rappel
Aussi : precision-recall · F1-score · F1 score
En clair
La précision répond : parmi les cas que le modèle a signalés comme positifs, combien l’étaient vraiment ? Le rappel répond : parmi tous les vrais positifs, combien a-t-il trouvés ? On peut être très précis en n’alertant presque jamais, ou tout couvrir en alertant trop. Le score F1 résume le compromis. Ces chiffres dépendent du seuil choisi pour dire « oui ».
Concrètement
Un détecteur de fraude à 90 % de précision et 60 % de rappel rate encore quatre fraudes sur dix, même s’il se trompe peu quand il alerte.
Pourquoi ça compte
Sans précision et rappel, un taux de réussite global trompe — surtout si les cas rares comptent le plus. Le bon équilibre dépend du coût d’une fausse alerte versus d’un oubli.
Définition technique
Métriques de classement : précision = exactitude des positifs prédits ; rappel = couverture des positifs réels. F1 les combine.
À ne pas confondre avec
- AUROC — Précision / rappel dépendent du seuil choisi ; l’AUROC résume le classement indépendamment d’un seuil unique.