Comparaison côte à côte entre la précision et le rappel. Comprendre comment la précision évalue la justesse des positifs prédits, tandis que le rappel évalue combien de positifs réels ont été trouvés.
Verdict rapide: Utilisez la précision lorsque les faux positifs sont coûteux ; utilisez le rappel lorsque les positifs manqués sont coûteux.
Precision measures classification metric that measures the proportion of predicted positives that are actually positive.
Contexte : Le plus pertinent lorsque des prédictions positives incorrectes créent un coût, un préjudice ou une charge opérationnelle.
Recall measures evaluation metric that measures the proportion of actual positive or relevant items that a model successfully identifies.
Contexte : Le plus pertinent lorsque le fait de ne pas détecter des cas pertinents ou positifs crée un risque élevé ou une perte inacceptable.
| Aspect | Precision | Recall |
|---|---|---|
| Ce que cela mesure | La précision mesure combien de positifs prédits sont réellement positifs. | Le rappel mesure combien de positifs réels ou d’éléments pertinents le modèle identifie avec succès. |
| Meilleur cas d’utilisation | La précision est importante lorsque les faux positifs sont coûteux, par exemple en cas d’escalade inutile, de charge de revue ou de signalement incorrect. | Le rappel est important lorsque les positifs manqués sont coûteux, par exemple lorsqu’un risque, une fraude ou des documents pertinents ne sont pas détectés. |
| Mode de défaillance | Un modèle peut avoir une précision élevée mais un rappel faible s’il ne prédit des positifs que dans les cas les plus faciles et manque de nombreux vrais positifs. | Un modèle peut avoir un rappel élevé mais une précision faible s’il signale de nombreux cas qui ne sont pas réellement positifs. |
| Sensibilité au seuil | La précision change souvent lorsque le seuil de décision change, car l’ensemble des positifs prédits change. | Le rappel change aussi avec le seuil, car des seuils plus stricts peuvent manquer davantage de positifs réels et des seuils plus souples peuvent en capter davantage. |
| Erreur courante | Une erreur courante consiste à utiliser la précision seule pour affirmer qu’un détecteur est efficace. | Une erreur courante consiste à utiliser le rappel seul sans expliquer la charge de faux positifs. |
| Preuve de gouvernance | Les preuves relatives à la précision soutiennent les affirmations sur la fiabilité des prédictions positives. | Les preuves relatives au rappel soutiennent les affirmations sur la couverture des cas positifs ou pertinents réels. |
En pratique, la précision et le rappel devraient rarement être rapportés isolément. La meilleure question est de savoir quel type d’erreur l’organisation accepte de tolérer, et pourquoi.
Utilisez la précision lorsque la principale question d’évaluation est de savoir si les prédictions positives peuvent être fiables. Elle est particulièrement pertinente pour les flux de travail où les faux positifs créent un préjudice, un coût, une revue humaine inutile ou des affirmations trompeuses.
Utilisez le rappel lorsque la principale question d’évaluation est de savoir si le système trouve les cas pertinents ou positifs. Il est particulièrement pertinent pour les flux de détection, de filtrage, de recherche et de sécurité où les positifs manqués sont coûteux.
Le choix des métriques affecte les rapports de validation, l’acceptation des risques et les affirmations de performance. Dans une gouvernance de type NIST AI RMF et ISO/IEC 42001, les équipes devraient justifier pourquoi la précision, le rappel ou les deux correspondent au scénario de risque et à l’usage prévu.
Aucun des deux n’est toujours plus important. La précision compte davantage lorsque les faux positifs sont coûteux, tandis que le rappel compte davantage lorsque les positifs manqués sont coûteux.
Oui, mais il existe souvent un compromis selon le modèle, les données et le seuil. L’évaluation doit montrer l’équilibre, et pas seulement un chiffre.
Modifier un seuil change les cas prédits comme positifs. Cela peut augmenter le rappel tout en réduisant la précision, ou augmenter la précision tout en réduisant le rappel.
No recently viewed comparisons yet.