Générateur de courbes précision-rappel

Qu'est-ce qu'une courbe Précision-Rappel (Precision-Recall Curve) ?

La courbe Précision-Rappel illustre le compromis entre la valeur prédictive positive (précision) et la sensibilité (rappel) pour tous les seuils de classification possibles. Elle s'avère particulièrement robuste et informative lorsque la classe positive est rare et que le coût des faux positifs est critique.

Structure des données pour la courbe Précision-Rappel

• Une colonne contenant l'étiquette binaire réelle et une colonne contenant le score continu ou la probabilité prédite pour chaque cas.
• Une colonne optionnelle pour comparer plusieurs modèles, plis de validation ou sous-groupes.
• La définition de la classe positive doit rester strictement identique pour toutes les courbes comparées.
• Utilisez des prédictions issues de données de validation indépendantes ou de validation croisée, et non des prédictions sur les données d'entraînement.

Exemples d'applications en recherche

• Précision-rappel en classification déséquilibrée
• PR AUC pour le dépistage
• Courbe précision-rappel multiclasse
• Comparaison ROC et précision-rappel
• Précision-rappel en détection d’objets
• Courbe PR avec précision moyenne

Pourquoi utiliser une courbe Précision-Rappel ?

• Évaluer la performance des classifieurs face à un fort déséquilibre des classes (classe positive rare).
• Visualiser directement l'impact de l'augmentation du rappel sur le taux de faux positifs.
• Comparer les modèles aux seuils de décision réellement applicables en pratique.
• Présenter la précision moyenne (Average Precision) ou l'aire sous la courbe (AUPRC) en complément de la courbe complète.

Comment utiliser Générateur de courbes précision-rappel

Choisissez un exemple ou importez un fichier CSV, TSV, TXT, XLSX ou XLS. Vérifiez les colonnes détectées, générez le graphique, puis modifiez-le dans SciVis. Pour Excel, la première feuille est importée.

Éléments indispensables d'une courbe Précision-Rappel claire

• Le rappel (Recall) sur l'axe x et la précision (Precision) sur l'axe y.
• Une mention claire de la classe définie comme positive.
• La ligne de référence (baseline) correspondant à un classifieur aléatoire, définie par la prévalence de la classe positive.
• Des courbes distinctes accompagnées de leurs intervalles de confiance pour chaque modèle ou pli de validation.

Courbe Précision-Rappel ou courbe ROC ?

Privilégiez la courbe Précision-Rappel en cas de forte asymétrie des classes ou lorsque les faux positifs ont un impact direct sur l'utilité du modèle. Les courbes ROC, basées sur la sensibilité et la spécificité, peuvent donner une impression de performance trompeuse en cas de déséquilibre. Présenter les deux est souvent la solution idéale.