Animation de Classification
Précision = Vrais Positifs / (Vrais Positifs + Faux Positifs)
// Cas équilibré
Quand les deux classes (ex. oranges et pommes) sont représentées en nombre égal.
La précision globale reflète bien les performances du modèle.
// Cas déséquilibré
Quand une classe domine (ex. 9 oranges pour 1 pomme).
Un modèle peut prédire toujours « orange » et avoir 90% de précision
sans jamais détecter la pomme !
// Leçon pour Google
Un moteur de recherche doit équilibrer précision et rappel :
trouver les bons résultats et ne pas en manquer d'importants.