Une entreprise souhaite détecter autant de transactions frauduleuses que possible avec son modèle de ML. Quelle métrique d'évaluation doit être priorisée pour maximiser les cas de fraude identifiés ?

Le rappel (recall), également appelé sensibilité, mesure la proportion de toutes les transactions frauduleuses réelles qui ont été correctement identifiées par le modèle. Dans un scénario où l'entreprise veut détecter "autant de transactions frauduleuses que possible", il est crucial de minimiser les faux négatifs (transactions frauduleuses non détectées). Le rappel est la métrique la plus pertinente pour cet objectif, car un rappel élevé signifie que peu de fraudes réelles sont manquées. Le score F1 est la moyenne harmonique de la précision et du rappel, utile lorsque vous avez besoin d'un équilibre entre les deux. L'AUC (Area Under the Curve) évalue la capacité du modèle à distinguer les classes, mais ne se concentre pas spécifiquement sur la détection maximale des positifs. La précision (precision) mesure la proportion des prédictions positives du modèle qui étaient réellement correctes, ce qui est important pour éviter les faux positifs, mais pas l'objectif principal ici.