Bonne réponse
Explication
Le rappel (également connu sous le nom de sensibilité ou taux de vrais positifs) mesure la proportion de cas positifs réels (transactions frauduleuses) que le modèle identifie correctement. Avec une exactitude de 99 % mais aucun vrai positif, le rappel est de 0 %, ce qui révèle immédiatement l'échec total du modèle à détecter la fraude. Dans Azure Machine Learning, le volet des métriques de classification afficherait rappel = 0,0 pour la classe positive, mettant en évidence ce problème malgré une exactitude élevée.
Pour aller plus loin
Avec un déséquilibre de classes de 99:1, un prédicteur trivial de classe majoritaire atteint une exactitude de 99 % tandis que son rappel pour la classe positive est exactement nul, car le rappel est défini par TP/(TP+FN) et il n'y a pas de vrais positifs. La précision n'est pas définie ou n'a aucun sens ici puisque le modèle ne prédit jamais de positif, et le score F1 s'effondre également à zéro, mais le rappel est la métrique qui expose directement les fraudes manquées. L'exactitude est dominée par les négatifs abondants et masque l'échec. En pratique, les équipes de fraude surveillent le rappel parallèlement à l'aire sous la courbe précision-rappel (PR-AUC) et peuvent rééchantillonner, appliquer des pondérations de classes ou ajuster le seuil de décision afin que le modèle signale effectivement les cas positifs rares qui comptent financièrement.
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.