Peut-on utiliser la courbe de précision-rappel à la place de l'AUC ROC en cas de déséquilibre des classes?

Oui, en cas de déséquilibre important des classes, la courbe Precision-Recall (PR) est souvent plus informative que l'AUC ROC.

La raison en est que l'AUC ROC prend en compte le rapport entre le Taux de Vrais Positifs et le Taux de Faux Positifs, mais en cas de déséquilibre, un grand nombre d'exemples négatifs peut fausser l'évaluation, rendant l'AUC ROC trop optimiste.

La courbe PR se concentre sur la Précision et le Rappel, ce qui reflète mieux la qualité du modèle dans les tâches avec des classes positives rares.

Ainsi, si la classe positive est rare, la courbe PR et la métrique associée (par exemple, la Précision Moyenne) donnent une évaluation plus adéquate de la qualité du modèle.

Exemple:

• Dans une tâche de détection de fraude (transactions frauduleuses rares), la courbe PR montrera à quel point le modèle détecte bien les fraudeurs sans beaucoup de faux positifs.

En résumé:

• Utilisez l'AUC ROC pour des classes équilibrées.
• Utilisez la courbe Precision-Recall en cas de déséquilibre fort des classes.