Precision

La précision est la proportion de prédictions positives d’un modèle qui sont correctes. Elle répond à la question « quand le modèle répond oui, à quelle fréquence a-t-il raison ? » et se calcule en divisant les vrais positifs par toutes les prédictions positives : précision = TP / (TP + FP), où un faux positif (FP) est un cas négatif que le modèle a signalé à tort. La précision varie de 0 à 1 ; une précision de 0.95 signifie donc qu’une alerte sur 20 est une fausse alerte. En médecine, la valeur prédictive positive (VPP) est un synonyme, et le taux de fausses découvertes correspond à 1 moins la précision. La précision est particulièrement importante lorsque les fausses alertes coûtent cher, par exemple pour un filtre antipourriel qui masque de vrais messages, un système d’inspection qui met au rebut des pièces conformes ou une caméra de sécurité qui envoie des gardes pour une ombre.

Calcul de la précision#

La précision utilise deux cellules de la matrice de confusion : les vrais positifs et les faux positifs, qui constituent ensemble toutes les prédictions positives. Les positifs manqués n’entrent jamais dans la formule ; un modèle qui ne signale que son cas le plus certain peut donc atteindre une précision de 1.0 tout en détectant presque rien. La précision est donc rapportée avec le rappel, TP / (TP + FN), qui pénalise précisément ces omissions, et le score F1 combine les deux en une seule valeur. Lorsqu’un modèle ne produit aucune prédiction positive, la précision est égale à 0 / 0 et n’est pas définie ; des bibliothèques comme scikit-learn la rapportent comme égale à 0, avec un avertissement.

Avec plus de deux classes, la précision est calculée par classe, en traitant cette classe comme positive et toutes les autres comme négatives, puis elle est moyennée. La précision macro accorde le même poids à chaque classe et, pour les tâches multiclasse à étiquette unique, la précision moyenne micro est égale à l’exactitude.

La précision dépend de la prévalence#

Le rappel et la spécificité décrivent séparément le traitement des positifs et des négatifs par un modèle ; ils restent donc fixes lorsque les positifs deviennent plus rares. La précision combine les deux groupes et diminue avec la prévalence, car le même taux de faux positifs appliqué à un plus grand nombre de négatifs produit davantage de fausses alertes par détection réelle. Le script scikit-learn ci-dessous évalue un modèle de dépistage avec deux prévalences :

import numpy as np
from sklearn.metrics import accuracy_score, precision_score, recall_score

# One screening model at two prevalences: it finds 90% of positives and flags 1% of negatives
for positives in (1000, 100):
    negatives = 10_000 - positives
    tp, fp = int(0.9 * positives), int(0.01 * negatives)
    counts = [tp, positives - tp, fp, negatives - fp]  # TP, FN, FP, TN

    # Rebuild labels and predictions for 10,000 cases from the confusion-matrix counts
    y_true = np.repeat([1, 1, 0, 0], counts)
    y_pred = np.repeat([1, 0, 1, 0], counts)
    accuracy = accuracy_score(y_true, y_pred)
    recall = recall_score(y_true, y_pred)
    precision = precision_score(y_true, y_pred)
    print(f"{positives} positives: accuracy {accuracy:.3f}, recall {recall:.2f}, precision {precision:.2f}")

Avec 1 000 cas positifs sur 10 000, le modèle atteint une précision de 0.91. Avec 100 cas positifs, son rappel reste à 0.90 et son exactitude augmente même à 0.989, mais 99 fausses alertes s’ajoutent aux 90 détections réelles, et la précision tombe à 0.48. Une précision mesurée sur un jeu de test équilibré surestime donc la précision qu’un modèle affichera en déploiement lorsque les cas positifs sont plus rares, par exemple lors du dépistage d’une maladie rare.

Précision en détection d’objets#

En détection d’objets, chaque boîte prédite dont la valeur dépasse le seuil de confiance constitue une prédiction positive. Les prédictions sont appariées par ordre décroissant de confiance, et une boîte n’est un vrai positif que si elle chevauche un objet étiqueté de la même classe avec une intersection sur union (IoU) supérieure ou égale au seuil et si cet objet n’a pas déjà été attribué à une boîte mieux classée. Les boîtes sur l’arrière-plan, les boîtes de classe erronée, les boîtes mal placées et les boîtes en double sur un objet déjà apparié sont toutes considérées comme des faux positifs.

Augmenter le seuil de confiance élimine les boîtes peu fiables, qui sont plus souvent erronées ; la précision augmente donc généralement tandis que le rappel diminue. Tracer la précision en fonction du rappel pour chaque seuil produit la courbe précision-rappel, dont l’aire correspond à la précision moyenne (AP), moyennée par la précision moyenne (mAP) sur les classes et, pour mAP_50-95, sur dix seuils IoU. La validation de YOLO26 enregistre la précision de chaque classe à chaque seuil de confiance sous BoxP_curve.png et rapporte la précision (P) au seuil de confiance où le F1 moyen atteint son maximum, ainsi que le rappel et la mAP.

Améliorer la précision#

• Augmente le seuil de confiance : solution la plus rapide, au prix d’un rappel plus faible.
• Ajoute des exemples négatifs difficiles : ajoute aux données d’entraînement les objets ressemblants et les scènes vides qui déclenchent de fausses alertes, afin que le modèle apprenne ce qu’il ne doit pas signaler. La sélection des exemples négatifs les plus déroutants de cette manière s’appelle l’extraction d’exemples négatifs difficiles.
• Corriger les étiquettes manquantes : Une détection correcte d’un objet ignoré par l’annotateur compte comme un faux positif ; des étiquettes de vérité terrain incomplètes donnent donc une impression de précision inférieure à la réalité.
• Distinguer les classes confondues : La matrice de confusion montre quelles classes le modèle confond, et davantage d’exemples ou des définitions de classe plus claires pour ces paires éliminent les faux positifs attribués à la mauvaise classe.

Précision et termes apparentés#

• Rappel : La proportion de positifs réels détectés par le modèle, TP / (TP + FN). Le rappel comptabilise les omissions, tandis que la précision comptabilise les fausses alertes.
• Spécificité : La proportion de négatifs réels correctement rejetés, TN / (TN + FP). Une spécificité de 0.99 peut tout de même donner une précision inférieure à 0.5 lorsque les positifs sont rares, comme le montre le script de dépistage.
• Exactitude : La proportion de l’ensemble des prédictions qui sont correctes, dominée par la classe majoritaire dans les données déséquilibrées.
• Précision numérique : Le nombre de bits utilisés pour stocker chaque valeur, par exemple en 32 bits ou en virgule flottante 16 bits, un sens sans rapport avec l’autre emploi du même mot.
• Précision d’une mesure : Le degré de concordance entre des mesures répétées, tandis que l’exactitude décrit leur proximité avec la valeur réelle. Une balance qui affiche toujours 2 kg de trop est précise, mais inexacte.