Nous résolvons un problème de classification binaire. Comment les métriques de précision et de rappel changeront-elles si vous éliminez 10 objets de la classe 0 de la cible?

Si vous supprimez 10 objets de la classe 0 (classe négative) de la cible d’une classification binaire, la répartition des classes changera, ce qui influencera les métriques de précision et de rappel de la manière suivante :

• Précision (precision) — c’est le rapport entre les vrais positifs (TP) et la somme des TP et des faux positifs (FP) : TP / (TP + FP). La suppression d’objets de la classe 0 de la cible n’affecte pas directement TP ou FP, car ces métriques dépendent des prédictions du modèle. Si les prédictions ne changent pas, la précision restera à peu près la même.

• Rappel (recall) — c’est le rapport entre TP et la somme des TP et des faux négatifs (FN) : TP / (TP + FN). La suppression d’objets de la classe 0 n’affecte pas le nombre de TP ou FN pour la classe 1, donc le rappel pour la classe 1 restera à peu près le même.

Cependant, si l’on considère les métriques pour la classe 0 (négative), la suppression d’objets de la classe 0 réduira le nombre de vrais négatifs (TN) et pourrait potentiellement affecter FP et FN, ce qui pourrait changer la précision et le rappel pour cette classe.

En général, la suppression d’objets de la classe 0 de la cible modifiera la répartition des classes, ce qui peut influencer les métriques, surtout si elles sont moyennées par classe (par exemple, macro-moyenné). Mais pour les métriques qui ne considèrent que la classe positive, les changements seront minimes si les prédictions ne changent pas.