
Une métrique (de 0 à 1) mesurant la fréquence à laquelle les prédictions d'un modèle correspondent aux résultats réels, 1 étant parfait.La précision de prédiction est une métrique fondamentale en apprentissage automatique et en statistiques, quantifiant la fréquence à laquelle les prédictions d'un modèle correspondent aux résultats observés réels. Elle est exprimée par une valeur entre 0 et 1, où 1 indique une prédiction parfaite et 0 un échec complet. Cette métrique sert de pierre angulaire pour évaluer les modèles dans divers domaines, du diagnostic médical aux prévisions météorologiques et à la science des matériaux, comme le soulignent les titres du corpus couvrant la prédiction de la cirrhose, la prévision des éruptions solaires et la vérification des calculs quantiques.
Le concept de précision de prédiction trouve ses racines dans l'inférence statistique précoce, mais sa formalisation en apprentissage automatique a émergé au milieu du XXe siècle avec le développement de la reconnaissance des formes et de la théorie de la décision. Aucun inventeur unique n'est crédité ; il a évolué à partir de la théorie des probabilités et de l'analyse des erreurs.
La précision de prédiction est généralement calculée comme le rapport entre le nombre de prédictions correctes et le nombre total de prédictions effectuées. Pour les résultats binaires, cela est simple : (vrais positifs + vrais négatifs) divisé par le nombre total de cas. Dans des scénarios plus complexes, tels que la classification multi-classes ou la régression, la précision peut être adaptée ou complétée par d'autres métriques comme la précision (precision), le rappel (recall) ou les intervalles de confiance, comme on le voit dans l'article sur la prévision des éruptions solaires. L'essentiel est que la précision mesure la fréquence d'accord entre la sortie du modèle et la vérité terrain, fournissant ainsi une jauge simple mais puissante de la performance du modèle.
La précision de prédiction est utilisée pour valider les modèles dans le domaine de la santé (par exemple, la prédiction de la cirrhose), la surveillance environnementale (par exemple, les éruptions solaires) et la conception assistée par IA (par exemple, les formes aérodynamiques), garantissant la fiabilité avant le déploiement.
Dans certains cas, un modèle avec une précision élevée peut néanmoins être trompeur, comme le note l'article sur la vérification acoustique par IA, où la précision seule ne parvient pas à capturer les biais systématiques.












