De part leur aspect robuste et le fait qu’ils sont interprétables, la précision et le recall sont deux métriques incontournables en classification. Ils jouissent d’une bonne réputation dans l’univers des métriques de classification entrant dans le cadre de l’évaluation de la performance des modèles de Machine Learning et de Deep Learning. Alors si vous souhaitez en savoir plus sur la précision et la recall, lisez jusqu’à la fin cet article.
Définition de la Précision et du Recall
Tirant leur origine de l’anglais où ils s’appellent respectivement précision et recall, ces concepts sont utilisés pour désigner des métriques destinés à l’évaluation de la performance des modèles de classification composées de 2 voire plusieurs classes. Les détails sur precision recall ici. Chacune de ces classifications ont pour repère la matrice de confusion qui, en ce qui la concerne, comprend 4 valeurs. La précision et le recall ont pour principal cible la performance du modèle se rapportant aux patients positifs. En effet, encore désignée par l’appellation Positive Predictive Value, la précision vise à mesurer la capacité du modèle à éviter les éventuelles erreurs pouvant survenir au cours d’une prédiction positive.
Qu’est-ce que cela signifie en pratique?
Si la précision du professionnel soignant est élevée, il mérite une grande confiance au moment où il prédit à l’individu de sexe féminin qu’il porte une grossesse, excepté le cas des données déséquilibrées. De même, si son recall est au bon niveau, vous pouvez accorder du crédit à ses propos lorsqu’il déclare qu’une patiente est en enceinte, si tel est réellement le cas. Et, à contrario, si le médecin annonce à une femme qu’elle n’est pas en gestion, ses propos doivent être pris comme une parole d’évangile, puisque le premier a été vérifié. Par ailleurs, à propos de la variation du seuil de classification et de la courbe Precision-Recall, il faut retenir que plus le seuil monte, plus la précision augmente et plus le recall baisse.