Comparaison côte à côte entre l’exactitude et le rappel. Comprendre comment la justesse globale diffère de la capacité à trouver les cas positifs réels, surtout lorsque les positifs manqués sont coûteux.
Verdict rapide: Utilisez l’exactitude lorsque la justesse globale est significative ; utilisez le rappel lorsque le fait de ne pas identifier des positifs réels crée un risque important.
Accuracy measures classification metric equal to the proportion of predictions that are correct among all predictions made.
Contexte : Le plus pertinent lorsque toutes les classes et tous les types d’erreur ont une importance similaire et que le jeu de données n’est pas fortement déséquilibré.
Recall measures evaluation metric that measures the proportion of actual positive or relevant items that a model successfully identifies.
Contexte : Le plus pertinent pour les tâches de détection, de filtrage et de sécurité où manquer un cas positif est coûteux.
| Aspect | Accuracy | Recall |
|---|---|---|
| Ce que cela mesure | L’exactitude mesure les prédictions correctes parmi toutes les prédictions. | Le rappel mesure les positifs identifiés parmi tous les positifs réels. |
| Meilleur cas d’utilisation | Utile lorsque les classes sont équilibrées et que les erreurs ont un coût similaire. | Utile lorsque les positifs manqués sont plus coûteux que des fausses alertes supplémentaires. |
| Mode de défaillance | Peut paraître élevée même lorsqu’un modèle manque de nombreux positifs rares mais importants. | Peut paraître élevé même lorsque de nombreux positifs prédits sont des faux positifs. |
| Sensibilité au seuil | Modifier un seuil de classification peut changer l’exactitude en déplaçant l’équilibre entre prédictions correctes et incorrectes. | Modifier un seuil change souvent directement le rappel en rendant le modèle plus ou moins enclin à identifier des positifs. |
| Erreur courante | Rapporter l’exactitude seule pour des tâches de classification déséquilibrées ou à haut risque. | Maximiser le rappel sans documenter le compromis de faux positifs ni la charge opérationnelle. |
En pratique, l’exactitude est la métrique la plus susceptible de paraître rassurante tout en cachant le problème ; le rappel force les équipes à demander ce que le modèle ne détecte pas.
Traiter une exactitude élevée comme preuve qu’un classificateur est sûr pour la détection d’événements rares.
Rapporter le rappel sans précision, faux positifs ni hypothèses de seuil.
Choisir les métriques avant de définir quel type d’erreur est le plus préjudiciable.
Utilisez l’exactitude lorsque vous avez besoin d’une mesure simple du total des classifications correctes et que la distribution des classes rend ce chiffre significatif. Elle ne devrait pas être la seule métrique lorsque les cas positifs sont rares ou lorsque les coûts d’erreur diffèrent.
Utilisez le rappel lorsque la question d’évaluation est de savoir combien d’éléments réellement positifs ou pertinents le modèle trouve avec succès. Il est particulièrement important dans les contextes de filtrage, de sécurité, de fraude, de conformité et autres situations où les positifs manqués sont coûteux.
La sélection des métriques affecte les rapports de validation, les preuves d’assurance et les affirmations de performance dans les programmes de gouvernance de l’IA. Les contrôles de type NIST AI RMF et ISO 42001 devraient documenter pourquoi une métrique choisie correspond au risque du cas d’utilisation.
Oui. Si les cas positifs sont rares, un modèle peut classer correctement de nombreux cas négatifs tout en manquant de nombreux positifs réels.
Non. Le rappel est préférable lorsque les positifs manqués sont particulièrement importants, tandis que l’exactitude peut être utile lorsque la justesse globale est significative et que l’équilibre des classes est raisonnable.
Souvent oui. Les rapports devraient expliquer pourquoi chaque métrique est pertinente, quels compromis d’erreur existent et comment la métrique soutient l’évaluation des risques.
No recently viewed comparisons yet.