En recherche d'information et classification, la fraction des éléments étiquetés positifs par un système qui sont réellement des vrais positifs ; aussi appelée valeur prédictive positive.

Principe

Quantifier la fiabilité des prédictions positives en divisant les vrais positifs par l'ensemble des prédictions positives ; privilégie l'exactitude parmi les positifs prédits plutôt que la couverture de tous les positifs réels.

Démonstration

Un filtre anti-spam marque 50 e‑mails comme spam ; 40 d'entre eux sont effectivement du spam, donc précision = 40/50 = 0,8.

Mauvaise application

Optimiser uniquement la précision peut conduire à un système qui étiquette très peu d'éléments comme positifs (pour éviter les faux positifs), entraînant un faible rappel et la perte de nombreux positifs réels.

Conséquence

Une précision élevée réduit le taux de fausses alertes et est appropriée lorsque le coût des faux positifs est élevé ; elle sert les décisions où les prédictions positives doivent être fiables.

Inversion

Prioriser le rappel plutôt que la précision (par ex. en abaissant le seuil de décision) augmente la détection des positifs mais réduit typiquement la précision car davantage de faux positifs sont inclus.

Limite

Définie pour les tâches de classification avec une classe positive claire et des sorties binaires ou seuilées ; non applicable directement aux problèmes multi‑classes sans définition par classe ni à la régression sans discrétisation.

Tension sémantique

Souvent opposée à l'exactitude et au rappel ; la précision mesure la qualité des positifs prédits tandis que le rappel mesure la quantité de positifs réels capturés—les équilibrer est nécessaire pour des classifieurs fiables.

Synthèse

La précision mesure la pureté des positifs prédits : la proportion de prédictions positives qui sont correctes. L'utiliser lorsque les faux positifs sont coûteux et la combiner avec le rappel ou le F‑score pour évaluer la performance globale.