Glossaire

Précision moyenne (mAP)

Qu’est-ce que Précision moyenne (mAP) ?

La Mean Average Precision (mAP) est un indicateur qui évalue la capacité d’un système à trouver des résultats pertinents et à les classer en tête. Pour chaque requête ou classe d’objets, on calcule la précision moyenne sur la liste de résultats ; la mAP en est la moyenne globale. C’est une référence pour les moteurs de recherche, les systèmes de recommandation et la détection d’objets dans les images, où elle dépend aussi du recouvrement exigé des boîtes englobantes.

Thèmes

métrique
recherche
détection d’objets

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Rappel en apprentissage automatique

Le rappel (recall, sensibilité) mesure la part des cas réellement positifs qu'un modèle détecte : vrais positifs divisés par l'ensemble des positifs réels. Si un filtre antifraude repère 80 fraudes sur 100 réelles, son rappel est de 0,8. Un rappel élevé est essentiel lorsque les cas manqués coûtent cher, par exemple en diagnostic médical. Comme il ignore les fausses alertes, on l'examine généralement avec la précision, par exemple dans le F-score.

métrique
évaluation de modèles
+1

F-score (mesure F1)

Le F-score est un indicateur d’évaluation des modèles de classification. La mesure F1, la plus courante, est la moyenne harmonique de la précision (part des résultats trouvés qui sont corrects) et du rappel (part des cas réels qui ont été trouvés) ; elle varie entre 0 et 1. Elle est particulièrement utile avec des données déséquilibrées : un filtre antispam qui ne signale presque jamais de spam peut afficher une exactitude élevée mais un F1 faible.

Métrique d’évaluation
Classification
+1

Recherche d'information

La recherche d'information regroupe les méthodes qui retrouvent, dans de grands ensembles de textes, les documents ou passages correspondant à une requête et les classent par pertinence. Des approches classiques comme BM25 pondèrent les termes selon leur fréquence et leur rareté ; les plus récentes ajoutent la similarité sémantique. Elle est à la base des moteurs de recherche, de la recherche en entreprise et de la génération augmentée par récupération (RAG), où un modèle de langage s'appuie sur les passages trouvés pour répondre.

Recherche
BM25
+1

Précision top-k

La précision top-k mesure la fréquence à laquelle la bonne réponse figure parmi les k propositions les plus probables d'un modèle. En top-1, seule la première prédiction compte ; en top-5, il suffit que la bonne classe soit parmi les cinq premières, une mesure connue des bancs d'essai de reconnaissance d'images comme ImageNet. Elle est pertinente dès que l'utilisateur voit plusieurs suggestions, par exemple des recommandations de produits ou l'autocomplétion.

Métrique
Évaluation
+1