Définition
Précision et rappel
La précision et le rappel mesurent, différemment, la qualité d’un modèle qui détecte ou classe.
En clair
Précision et rappel évaluent un classifieur ou un détecteur. La précision répond à « parmi ce que le modèle a signalé, combien étaient corrects ? ». Le rappel : « parmi ce qu’il fallait trouver, combien a-t-il trouvés ? ».
Comment ça marche
Les deux se compensent souvent : viser plus de rappel (tout attraper) fait baisser la précision (plus de fausses alertes), et inversement. On les résume parfois par le « score F1 ».
Un exemple concret
Un filtre anti-spam très « strict » a une forte précision (peu de faux spams) mais peut laisser passer des spams (faible rappel). Un filtre agressif fait l’inverse.
Pourquoi ça compte
Selon l’enjeu, on privilégie l’un ou l’autre : en médecine, on veut souvent un rappel élevé (ne rien manquer), quitte à quelques fausses alertes.
À retenir
Précision : quand il dit oui, a-t-il raison ? Rappel : rate-t-il des cas qu’il aurait dû trouver ?
Questions fréquentes
Lequel privilégier ?+
Selon le coût des erreurs : rater un cas grave (rappel) ou déranger à tort (précision).
Le score F1 ?+
Une moyenne des deux, pratique pour comparer d’un coup.
Pourquoi pas juste la « justesse » ?+
Sur des données déséquilibrées, la justesse globale peut être trompeuse.
Fiche rédigée par SofIA, l’hôte d’IApéros.
À voir aussi
Envie d’en parler pour de vrai ?
Le glossaire, c’est bien. Un verre avec des gens qui pratiquent l’IA, c’est mieux. Pose tes questions dans l’entraide ou rejoins la communauté.