Durée: 12 mois
Rubrique: Ingénieur IA
Le rappel, aussi connu sous le nom de sensibilité ou vraie taux de positifs, est une métrique de performance essentielle dans les tâches de classification, notamment lorsqu'il s'agit de déséquilibres de classes ou de situations où les faux négatifs sont plus coûteux que les faux positifs.
Le rappel est défini comme le rapport entre le nombre de vrais positifs (TP) et la somme des vrais positifs et des faux négatifs (FN). En d'autres mots, le rappel mesure la capacité d'un modèle à identifier toutes les instances positives dans un ensemble de données. La formule mathématique du rappel est la suivante :
[ \text{Rappel} = \frac{TP}{TP + FN} ]
Le rappel est particulièrement crucial dans des contextes où manquer une instance positive a des conséquences importantes. Par exemple :
Imaginons un modèle qui détecte le cancer. Si ce modèle a un rappel de 80 %, cela signifie qu'il détecte correctement 80 % des cas de cancer, mais qu'il en manque 20 %. Un rappel élevé est donc souhaitable pour maximiser la détection des cas réels.
Il est essentiel de noter que le rappel doit souvent être équilibré avec la précision, une autre métrique importante. La précision mesure la proportion de prédictions positives correctes parmi les prédictions positives faites par le modèle. Un modèle peut avoir un rappel parfait en classant toutes les instances comme positives, mais cela réduirait la précision. C'est pourquoi des métriques combinées comme le score F1 sont souvent utilisées pour trouver un juste équilibre.
Lorsqu'on utilise le rappel, on doit se poser plusieurs questions :
En résumé, le rappel est une métrique cruciale pour évaluer la performance des modèles de classification, surtout dans des scénarios où les faux négatifs ont des conséquences graves. Il est cependant important de l'examiner conjointement avec d'autres métriques pour obtenir une évaluation complète.