À quoi sert ce calculateur
Cet outil mesure les performances d'un modèle de classification binaire en calculant trois métriques essentielles : la précision, le rappel et le score F1. Il vous suffit de saisir les effectifs bruts issus de votre matrice de confusion — vrais positifs (VP), faux positifs (FP) et faux négatifs (FN) — pour obtenir chaque métrique exprimée en pourcentage. Ces indicateurs sont incontournables en apprentissage automatique, en recherche d'information, dans les tests médicaux et dans tout domaine où l'on répartit des éléments entre catégories positive et négative.
Mode d'emploi
Indiquez le nombre de vrais positifs (positifs correctement prédits), de faux positifs (négatifs prédits à tort comme positifs) et de faux négatifs (positifs que le modèle a manqués). Lancez le calcul pour afficher la précision, le rappel et le score F1. Les vrais négatifs ne sont pas nécessaires pour ces métriques.
Les formules expliquées
Précision = VP / (VP + FP) répond à la question : « Parmi tout ce que j'ai signalé comme positif, quelle part était réellement correcte ? » Une précision élevée signifie peu de fausses alertes.
Rappel = VP / (VP + FN) répond à : « Parmi tout ce qui était réellement positif, quelle part ai-je détectée ? » Un rappel élevé signifie peu d'oublis.
$$\text{Précision} = \frac{\text{VP}}{\text{VP} + \text{FP}}, \quad \text{Rappel} = \frac{\text{VP}}{\text{VP} + \text{FN}}$$
Le score F1 est la moyenne harmonique des deux : F1 = 2 · (Précision · Rappel) / (Précision + Rappel). Il équilibre les deux mesures et s'avère particulièrement utile lorsque les classes sont déséquilibrées.
$$\text{F1} = 2 \cdot \frac{\text{Précision} \cdot \text{Rappel}}{\text{Précision} + \text{Rappel}}$$
Exemple concret
Imaginons un filtre anti-spam qui marque 100 e-mails comme indésirables. Parmi eux, 80 sont effectivement des spams (VP) et 20 ne le sont pas (FP). Le filtre laisse également passer 10 vrais spams (FN).
$$\text{Précision} = \frac{80}{80 + 20} = 0{,}80 = 80\,\%$$
$$\text{Rappel} = \frac{80}{80 + 10} = 0{,}889 = 88{,}89\,\%$$
$$\text{F1} = 2 \cdot \frac{0{,}80 \cdot 0{,}889}{0{,}80 + 0{,}889} = 84{,}21\,\%$$
FAQ
Quand privilégier la précision plutôt que le rappel ? Privilégiez la précision lorsque les faux positifs coûtent cher (par exemple classer un e-mail légitime comme spam). Privilégiez le rappel lorsque manquer un positif est lourd de conséquences (par exemple un dépistage du cancer).
Pourquoi utiliser le score F1 ? L'exactitude (accuracy) peut induire en erreur avec des données déséquilibrées. Le score F1 réunit précision et rappel en une seule valeur équilibrée.
Que se passe-t-il si un dénominateur est nul ? Si VP+FP ou VP+FN vaut zéro, la métrique n'est pas définie ; dans ce cas, le calculateur affiche 0 %.
