Une entreprise doit recalibrer un classifieur binaire afin de maximiser les prédictions correctes pour les classes positives et négatives. Quelle métrique d'évaluation l'ingénieur ML doit-il utiliser pour cette recalibration ?

L'Accuracy (Précision globale) est la métrique la plus appropriée lorsque l'objectif est de maximiser les prédictions correctes pour les classes positives ET négatives. Elle mesure la proportion de prédictions correctes (vrais positifs et vrais négatifs) sur le nombre total de prédictions. La Precision (Précision) se concentre uniquement sur la proportion de vrais positifs parmi toutes les prédictions positives, ce qui est utile lorsque le coût des faux positifs est élevé. Le Recall (Rappel ou Sensibilité) se concentre sur la proportion de vrais positifs parmi tous les cas positifs réels, utile lorsque le coût des faux négatifs est élevé. La Specificity (Spécificité) mesure la proportion de vrais négatifs parmi tous les cas négatifs réels. Ces trois dernières métriques ne fournissent pas une vue équilibrée des performances sur les deux classes, contrairement à l'Accuracy.