Bonne réponse
- BPrecision mesure l'exactitude des prédictions positives ; recall mesure la couverture des positifs réels
Explication
La 'precision' mesure la proportion d'identifications positives qui étaient réellement correctes (vrais positifs / (vrais positifs + faux positifs)), tandis que le 'recall' mesure la proportion de positifs réels qui ont été correctement identifiés (vrais positifs / (vrais positifs + faux négatifs)). Dans Azure Machine Learning, ces métriques sont essentielles pour évaluer les modèles de classification, en particulier lors du traitement de jeux de données déséquilibrés, car elles fournissent des informations distinctes sur les performances du modèle.
Pour aller plus loin
La 'precision' et le 'recall' sont calculés à partir de la matrice de confusion. La 'precision' correspond aux vrais positifs divisés par les vrais positifs plus les faux positifs : parmi tout ce que le modèle a étiqueté comme positif, quelle proportion était réellement positive. Le 'recall', ou sensibilité, correspond aux vrais positifs divisés par les vrais positifs plus les faux négatifs : parmi tout ce qui était réellement positive, quelle proportion le modèle a-t-il capturée. Ils font l'objet d'un compromis via le seuil de décision ; abaisser le seuil augmente généralement le 'recall' et diminue la 'precision'. Une subtilité est qu'un modèle peut avoir un 'recall' parfait en prédicant positif pour tout, mais la 'precision' s'effondre alors. Dans un scénario de détection de fraude, un 'recall' élevé limite les fraudes manquées mais submerge les analystes de fausses alarmes, tandis qu'une 'precision' élevée réduit la fatigue liée aux alertes mais laisse passer la fraude. Le score F1 équilibre les deux et le bon point de fonctionnement dépend du coût relatif de chaque type d'erreur.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.