Précision et rappel

La précision et le rappel sont deux mesures complémentaires de la qualité d'un modèle de classification. La précision répond à la question « parmi tout ce que le modèle a désigné comme positif, quelle proportion l'était vraiment ? » : elle pénalise les fausses alertes (faux positifs). Le rappel répond à « parmi tous les cas réellement positifs, quelle proportion le modèle a-t-il retrouvée ? » : il pénalise les oublis (faux négatifs). Les deux se calculent à partir des vrais positifs, faux positifs et faux négatifs, souvent visualisés dans une matrice de confusion. Il existe presque toujours un compromis entre elles : augmenter le rappel (ne rien manquer) fait souvent baisser la précision (plus de fausses alertes), et inversement. On les résume parfois par le score F1, leur moyenne harmonique. Le bon équilibre dépend de l'enjeu : pour un test médical on privilégie le rappel (ne pas rater un malade) ; pour un filtre anti-pourriel, la précision (ne pas bloquer de vrais courriels).