Précision, rappel et F1
Arbitrer entre les différents types d’erreurs
Précision, rappel et F1 est une leçon Data Science Academy gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Data Science Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Data Science Academy comprend 4 leçons au total.
Pourquoi la précision ne suffit pas
Lorsqu’une classe est rare, la précision peut sembler excellente alors que le modèle manque tous les cas importants. Vous avez besoin de métriques plus précises, comme la précision positive et le rappel. 🎯
Définition de la précision positive
La précision positive pose la question suivante : parmi tous les cas que j’ai signalés comme positifs, combien l’étaient réellement ? Elle mesure la fiabilité d’une réponse positive.
precision = TP / (TP + FP)Quand la précision positive est importante
Une précision positive élevée est importante lorsque les fausses alertes coûtent cher, par exemple lorsqu’un véritable courriel est classé comme indésirable. Vous voulez que chaque signalement soit correct.
Définition du rappel
Le rappel pose la question suivante : parmi tous les cas réellement positifs, combien en ai-je détectés ? Il mesure la capacité du modèle à ne rien manquer.
recall = TP / (TP + FN)Quand le rappel est important
Un rappel élevé est important lorsque les cas manqués sont dangereux, par exemple lors du dépistage d’une maladie. Détecter chaque cas réel est plus important que d’éviter quelques fausses alertes.
Le compromis
La précision positive et le rappel s’opposent généralement. Signaler davantage de cas permet d’en détecter plus, mais augmente les fausses alertes. Il faut trouver un compromis.
Découvrez le score F1
Le score F1 combine la précision positive et le rappel en une seule valeur grâce à leur moyenne harmonique. Il favorise les modèles qui équilibrent bien ces deux critères.
f1 = 2 * (precision * recall) / (precision + recall)Pourquoi une moyenne harmonique
Le F1 utilise une moyenne harmonique : un score faible dans l’une des deux dimensions fait donc baisser le résultat. Vous ne pouvez pas compenser un mauvais critère en excellant dans l’autre.
Obtenez-les en un seul appel
Vous n’avez pas besoin de calculer ces valeurs à la main. Le rapport de classification affiche simultanément la précision positive, le rappel et le F1 pour chaque classe.
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))Choisissez la métrique à optimiser
Laissez le problème guider votre choix. Optimisez le rappel lorsque les cas manqués sont graves, la précision positive lorsque les fausses alertes sont coûteuses, et le F1 lorsque vous recherchez un équilibre.
Surveillez la moyenne
Avec de nombreuses classes, choisissez la manière de calculer la moyenne. La moyenne macro traite toutes les classes de la même façon, tandis que la moyenne pondérée tient compte de leur taille. Ce choix modifie l’interprétation.
f1_score(y_true, y_pred, average='macro')Vérification rapide
Vérifions que vous distinguez bien la précision positive et le rappel.
Récapitulatif
La précision positive évalue la fiabilité de vos réponses positives, le rappel détecte les cas positifs et le F1 équilibre les deux. Laissez le coût de chaque erreur guider votre choix. 🎯
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « Précision, rappel et F1 » est-elle gratuite ?
Oui — le texte complet de « Précision, rappel et F1 » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Data Science Academy, passe à CoddyKit PRO. Le cours Data Science Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Précision, rappel et F1 » ?
Arbitrer entre les différents types d’erreurs Tu pratiques Data Science Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Data Science Academy ?
Aucune expérience préalable n'est requise. Data Science Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Précision, rappel et F1 » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Data Science Academy ?
Oui. Chaque leçon Data Science Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Métriques de régression : MAE, MSE, R2
- La matrice de confusion décodée
- Précision, rappel et F1
- ROC, AUC et seuils