DifficileChoix unique

Question d'entraînement AI-900

Quelle est la différence entre 'precision' et 'recall' en tant que métriques d'évaluation de modèles ?

Choisissez la meilleure réponse.

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.

Pourquoi chaque option est juste ou fausse

A

Fausse

Precision est la vitesse de prédiction ; recall est l'utilisation de la mémoire du modèle

Precision et recall sont des ratios de qualité de classification issus de la matrice de confusion, et non des mesures de latence ou de mémoire. C'est tentant car 'precision' et 'recall' ressemblent à des termes de performance et de capacité, mais ils quantifient l'exactitude des prédictions et non la vitesse de calcul ou l'utilisation des ressources.

B

Juste

Precision mesure l'exactitude des prédictions positives ; recall mesure la couverture des positifs réels

Precision est la proportion de positifs prédits qui sont véritablement positifs, mesurant l'exactitude des prédictions. Recall est la proportion de positifs réels correctement identifiés, mesurant la couverture. Ils diffèrent selon l'axe des ensembles positifs prédits par rapport aux ensembles positifs réels.

C

Fausse

Precision et recall sont la même métrique, simplement calculées sur des jeux de données différents

Precision et recall sont des ratios distincts : precision est le nombre de vrais positifs sur les positifs prédits, recall est le nombre de vrais positifs sur les positifs réels, tous deux sur le même jeu de données. C'est tentant car les deux dérivent des mêmes cellules de la matrice de confusion, ce qui peut les faire paraître interchangeables.

D

Fausse

Recall est supérieur à precision chaque fois que le modèle a vu plus de données d'entraînement

Recall et precision sont calculés à partir de la même matrice de confusion sur des données identiques ; la taille du jeu d'entraînement ne détermine pas leur ordre. C'est tentant car plus de données améliorent souvent les deux métriques, mais leurs valeurs relatives dépendent du seuil de classification et de l'équilibre des classes.

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.