Recall

Le rappel (recall), aussi appelé sensibilité, est une mesure d’évaluation des modèles de classification. Il indique la proportion de vrais positifs identifiés correctement parmi tous les cas réellement positifs. Un rappel élevé signifie que le modèle rate très peu de cas positifs.

‍

Exemples concrets

• Santé : un test de dépistage du cancer avec un rappel élevé détectera la quasi-totalité des patients malades, même si cela produit quelques faux positifs.
• Détection de fraude : dans une banque, un modèle avec un bon rappel repère presque toutes les transactions frauduleuses.
• Reconnaissance d’images : dans une application de sécurité, un système avec un rappel élevé identifie presque toutes les personnes présentes sur une scène.

‍

Importance et limites

• ✅ Le rappel est crucial quand les faux négatifs sont coûteux ou dangereux.
• ❌ Optimiser uniquement le rappel peut réduire la précision, générant trop de fausses alertes.
• ⚖️ Il doit être équilibré avec la précision (precision), via des métriques combinées comme le F1-score.

‍

Le rappel (recall) mesure la capacité d’un modèle à ne pas manquer de cas positifs réels. C’est donc un indicateur précieux dans les contextes où l’oubli d’un seul élément peut avoir des conséquences graves : par exemple, ne pas détecter une tumeur cancéreuse ou un défaut de sécurité dans un système industriel.

‍

Cependant, un rappel élevé s’accompagne souvent d’une baisse de précision : le modèle identifie bien les cas positifs, mais au prix d’un plus grand nombre de faux positifs. C’est pourquoi le rappel ne se lit jamais seul, mais en tandem avec d’autres indicateurs comme la précision et le score F1.

‍

D’un point de vue pratique, le réglage du seuil de décision joue un rôle crucial. En abaissant ce seuil, on augmente le rappel, mais on risque d’alerter trop souvent à tort. Trouver l’équilibre dépend du domaine et du coût relatif des erreurs.

‍

📚 Références

• Fawcett, T. (2006). An Introduction to ROC Analysis. Pattern Recognition Letters.
• Géron, A. (2019). Apprentissage automatique avec Scikit-Learn, Keras et TensorFlow.