Il existe plusieurs façons d’expliquer et de définir « la précision et le rappel » dans l’apprentissage automatique. Ces deux principes sont mathématiquement importants dans les systèmes génératifs, et conceptuellement importants, de manière clé qui implique les efforts de l’IA pour imiter la pensée humaine. Après tout, les gens utilisent également « la précision et le rappel » dans l’évaluation neurologique.
Une façon de penser la précision et le rappel en informatique consiste à définir la précision comme l'union des éléments pertinents et des éléments récupérés sur le nombre de résultats récupérés, tandis que le rappel représente l'union des éléments pertinents et des éléments récupérés sur le total des résultats pertinents.
Une autre façon de l'expliquer est que la précision mesure la proportion d'identifications positives dans un ensemble de classification qui étaient réellement correctes, tandis que le rappel représente la proportion de positifs réels qui ont été identifiés correctement.
Ces deux mesures s’influencent souvent dans un processus interactif. Les experts utilisent un système de marquage des vrais positifs, des faux positifs, des vrais négatifs et des faux négatifs dans une matrice de confusion afin de montrer la précision et le rappel. La modification du seuil de classification peut également modifier le résultat en termes de précision et de rappel.
Une autre façon de le dire est que le rappel mesure le nombre de résultats corrects, divisé par le nombre de résultats qui auraient dû être renvoyés, tandis que la précision mesure le nombre de résultats corrects divisé par le nombre de tous les résultats renvoyés. Cette définition est utile, car vous pouvez expliquer le rappel comme le nombre de résultats dont un système peut « se souvenir », tandis que vous pouvez définir la précision comme l'efficacité ou le succès ciblé de l'identification de ces résultats. Nous revenons ici à ce que signifient précision et rappel au sens général : la capacité de se souvenir d'éléments, par opposition à la capacité de s'en souvenir correctement.
L'analyse technique des vrais positifs, des faux positifs, des vrais négatifs et des faux négatifs est extrêmement utile dans les technologies d'apprentissage automatique et l'évaluation, afin de montrer comment fonctionnent les mécanismes de classification et les technologies d'apprentissage automatique. En mesurant la précision et le rappel de manière technique, les experts peuvent non seulement montrer les résultats de l'exécution d'un programme d'apprentissage automatique, mais peuvent également commencer à expliquer comment ce programme produit ses résultats – par quel travail algorithmique le programme en vient à évaluer des ensembles de données de manière d'une manière particulière.
Dans cet esprit, de nombreux professionnels de l’apprentissage automatique peuvent parler de précision et de rappel dans une analyse des résultats renvoyés par des ensembles de tests, des ensembles d’entraînement ou des ensembles de données de performances ultérieurs. L'utilisation d'un tableau ou d'une matrice aidera à classer ces informations et à montrer de manière plus transparente comment le programme fonctionne et quels résultats il apporte.