Glossaire

Rappel en apprentissage automatique

Qu’est-ce que 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.

Thèmes

métrique
évaluation de modèles
classification

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

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

Matrice de confusion

Une matrice de confusion est un tableau qui compare les prédictions d'un classifieur aux classes réelles. Avec deux classes, elle indique les vrais positifs, faux positifs, vrais négatifs et faux négatifs. On en déduit des indicateurs comme la précision, le rappel et le score F1, et l'on voit quelles erreurs surviennent. Exemple : un filtre anti-spam qui classe beaucoup de vrais e-mails comme spam produit de nombreux faux positifs, souvent plus coûteux qu'un spam non détecté.

Évaluation de modèles
Classification
+1

Courbe ROC

La courbe ROC (receiver operating characteristic) montre dans quelle mesure un modèle de classification sépare deux classes. Pour chaque seuil de décision possible, elle représente le taux de vrais positifs (rappel) en fonction du taux de fausses alertes. Plus la courbe s'approche du coin supérieur gauche, meilleur est le modèle ; la diagonale correspond au hasard. L'aire sous la courbe (AUC) la résume en un seul chiffre et aide par exemple à comparer plusieurs modèles de détection de fraude.

métrique
évaluation de modèles
+1

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.

métrique
recherche
+1