Précision

PrécisionIl s'agit d'une mesure utilisée dans la recherche d'informations et la classification statistique, qui fait référence au rapport entre les échantillons corrects extraits et le nombre d'échantillons extraits. Un concept similaire est le rappel, qui fait référence au rapport entre le nombre d’échantillons extraits et le nombre total d’échantillons.

La différence entre les deux concepts (précision de la matrice de confusion)

Les quatre résultats de la classification binaire sont également appelés matrice de confusion, comme le montre la figure suivante :

Catégorie vraie	La prédiction est positive	La prédiction est négative
Exemple positif	TP (Vrai exemple)	FP (Faux contre-exemple)
Contre-exemple	FN (faux positif)	TN (Vrai contre-exemple)

Plusieurs indicateurs liés aux résultats ci-dessus :

Précision P = TP / (TP + FP) La probabilité qu'un échantillon prédit comme 1 soit en réalité 1

Rappel R = TP / (TP + FN) La probabilité de prédire une valeur de 1 dans un échantillon qui est en réalité 1

Lorsque les deux valeurs sont comprises entre 0 et 1, plus la valeur est proche de 1, plus le rappel ou la précision est élevé.

Le lien entre les deux concepts

La précision et le rappel sont souvent utilisés pour évaluer les indicateurs de performance de l’apprentissage automatique. Il existe deux types principaux : la courbe P-R et la métrique F1 :

Courbe P-R :La courbe obtenue avec précision et rappel comme axe X et axe Y respectivement ;

Métrique F1 :La moyenne harmonique de précision et de rappel, définie comme 1 / F 1 = 1 / 2 * (1 / P + 1 / R).