{"id":4470,"date":"2026-10-14T18:01:15","date_gmt":"2026-10-14T18:01:15","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/score-f1-vs-exactitude-lequel-utiliser\/"},"modified":"2026-10-14T18:01:15","modified_gmt":"2026-10-14T18:01:15","slug":"score-f1-vs-exactitude-lequel-utiliser","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=score-f1-vs-exactitude-lequel-utiliser","title":{"rendered":"Score F1 vs. Exactitude : Lequel devriez-vous utiliser ?"},"content":{"rendered":"

L’\u00e9valuation de la performance des mod\u00e8les pr\u00e9dictifs constitue l’une des pierres angulaires de l’apprentissage automatique contemporain et de la science des donn\u00e9es appliqu\u00e9e. Qu’il s’agisse de d\u00e9ployer un algorithme de d\u00e9tection pr\u00e9coce d’une pathologie neurod\u00e9g\u00e9n\u00e9rative, d’automatiser le tri de requ\u00eates textuelles complexes ou d’identifier des profils psychologiques \u00e0 risque au sein de vastes cohortes observationnelles, la pertinence diagnostique d’un syst\u00e8me inductif ne saurait \u00eatre jaug\u00e9e \u00e0 l’aune de sa seule complexit\u00e9 algorithmique. Trop souvent, la phase critique de validation statistique est r\u00e9duite \u00e0 un arbitrage exp\u00e9ditif entre des m\u00e9triques scalaires g\u00e9n\u00e9riques, au premier rang desquelles figurent l’exactitude globale (accuracy<\/em>) et le score F1<\/a>. Pourtant, le choix d\u00e9lib\u00e9r\u00e9 ou inconscient d’une m\u00e9trique d’\u00e9valuation n’est jamais un acte m\u00e9thodologique neutre : il cristallise une ontologie sous-jacente relative \u00e0 la nature de l’erreur admissible et conditionne directement l’utilit\u00e9 clinique, \u00e9conomique et \u00e9thique des d\u00e9cisions automatis\u00e9es.<\/p>\n

La m\u00e9trique d’exactitude a longtemps r\u00e9gn\u00e9 en ma\u00eetre incontest\u00e9 dans la litt\u00e9rature exp\u00e9rimentale en raison de son apparente intuitivit\u00e9. Pr\u00e9sent\u00e9e de mani\u00e8re quasi instinctive comme le pourcentage d’observations correctement class\u00e9es par rapport \u00e0 la taille totale de l’\u00e9chantillon, elle s\u00e9duit d’embl\u00e9e les \u00e9valuateurs, les comit\u00e9s d’\u00e9thique et les d\u00e9cideurs institutionnels peu rompus aux subtilit\u00e9s de la th\u00e9orie bay\u00e9sienne de la d\u00e9cision<\/a>. N\u00e9anmoins, d\u00e8s lors que l’on quitte les conditions id\u00e9alis\u00e9es des distributions sym\u00e9triques et parfaitement \u00e9quilibr\u00e9es, l’exactitude se transforme fr\u00e9quemment en un miroir aux alouettes m\u00e9thodologique. Face \u00e0 des ph\u00e9nom\u00e8nes caract\u00e9ris\u00e9s par une faible pr\u00e9valence \u00e9pid\u00e9miologique ou des d\u00e9s\u00e9quilibres de classes massifs, un mod\u00e8le d’une m\u00e9diocrit\u00e9 absolue peut afficher un taux d’exactitude spectaculairement flatteur tout en \u00e9chouant syst\u00e9matiquement \u00e0 d\u00e9celer le moindre \u00e9v\u00e9nement d’int\u00e9r\u00eat r\u00e9el.<\/p>\n

\u00c0 l’inverse, le score F1 s’\u00e9rige en rempart contre les distorsions induites par les asym\u00e9tries distributionnelles en synth\u00e9tisant, par le biais d’une moyenne harmonique \u00e9l\u00e9gante, les notions compl\u00e9mentaires de pr\u00e9cision pr\u00e9dictive et de rappel exhaustif. Toutefois, adopter aveugl\u00e9ment le score F1 sans en circonscrire rigoureusement les postulats math\u00e9matiques et les zones de c\u00e9cit\u00e9 constitue une faute m\u00e9thodologique sym\u00e9trique tout aussi pr\u00e9judiciable. Le pr\u00e9sent trait\u00e9 propose une d\u00e9construction exhaustive, th\u00e9orique, formelle et appliqu\u00e9e de cette confrontation paradigmatique. \u00c0 travers une analyse comparative ancr\u00e9e dans la statistique inf\u00e9rentielle, l’apprentissage supervis\u00e9 et les sciences comportementales, nous explorerons les m\u00e9canismes intimes de ces indicateurs afin d’\u00e9quiper le chercheur, le biostatisticien et l’ing\u00e9nieur des crit\u00e8res d’arbitrage indispensables \u00e0 une mod\u00e9lisation rigoureuse, transparente et \u00e9thiquement responsable.<\/p>\n

1. Fondements th\u00e9oriques de l’\u00e9valuation des mod\u00e8les de classification<\/h2>\n

1.1 R\u00f4le et importance des m\u00e9triques de performance<\/h3>\n

Dans le paradigme de l’apprentissage supervis\u00e9<\/a>, le processus d’induction statistique consiste \u00e0 ajuster les param\u00e8tres internes d’un estimateur de mani\u00e8re \u00e0 minimiser une fonction de perte empirique d\u00e9finie sur un espace probabiliste d’apprentissage. Cependant, il existe une scission conceptuelle et fonctionnelle majeure entre l’optimisation math\u00e9matique continue op\u00e9r\u00e9e par les algorithmes de descente de gradient et l’\u00e9valuation m\u00e9trologique finale du mod\u00e8le. La fonction de perte (telle que l’entropie crois\u00e9e binaire ou la perte logistique) requiert des propri\u00e9t\u00e9s analytiques strictes, notamment la diff\u00e9rentiabilit\u00e9 et la convexit\u00e9 locale, afin de guider le calcul des gradients directionnels. \u00c0 l’oppos\u00e9, les m\u00e9triques d’\u00e9valuation op\u00e9rationnelles constituent des fonctions de d\u00e9cision discr\u00e8tes, non diff\u00e9rentiables par nature, con\u00e7ues pour quantifier la validit\u00e9 \u00e9cologique, l’efficacit\u00e9 clinique ou la rentabilit\u00e9 industrielle des pr\u00e9dictions finales dans un contexte r\u00e9el donn\u00e9.<\/p>\n

Cette divergence entre le moteur computationnel de l’algorithme et la grille de lecture m\u00e9trique impose une vigilance \u00e9pist\u00e9mologique absolue. Une m\u00e9trique quantique ne se limite pas \u00e0 enregistrer passivement le comportement d’un syst\u00e8me : elle oriente r\u00e9troactivement les choix d’ing\u00e9nierie des caract\u00e9ristiques, la s\u00e9lection d’hyperparam\u00e8tres et l’arbitrage des seuils de coupure d\u00e9cisionnels. Choisir un indicateur inadapt\u00e9 \u00e0 la structure intrins\u00e8que des donn\u00e9es \u00e9quivaut \u00e0 calibrer un instrument de mesure physique sur une constante dimensionnelle erron\u00e9e. Les cons\u00e9quences m\u00e9thodologiques s’av\u00e8rent d\u00e9l\u00e9t\u00e8res : publication de r\u00e9sultats fallacieux, r\u00e9plication exp\u00e9rimentale impossible, biais de confirmation institutionnalis\u00e9 et d\u00e9ploiement de mod\u00e8les pr\u00e9dictifs op\u00e9rationnellement inop\u00e9rants, voire directement pr\u00e9judiciables pour les populations \u00e9valu\u00e9es.<\/p>\n

1.2 Structure et lecture fondamentale de la matrice de confusion<\/h3>\n

Toute tentative de formalisation de l’erreur de classification binaire requiert imp\u00e9rativement la projection des pr\u00e9dictions du mod\u00e8le face \u00e0 la r\u00e9alit\u00e9 empirique au sein d’un tableau de contingence standardis\u00e9 d\u00e9sign\u00e9 sous le vocable de matrice de confusion<\/a>. Cette matrice croise les classes r\u00e9elles observ\u00e9es (l’\u00e9talon-or ou ground truth<\/em>) avec les classes pr\u00e9dites par l’algorithme, segmentant l’univers de discours en quatre quadrants probabilistes exclusifs et exhaustifs. Les concordances diagnostiques s’expriment par le d\u00e9nombrement des Vrais Positifs (VP) \u2014 instances o\u00f9 la condition d’int\u00e9r\u00eat est effectivement pr\u00e9sente et valid\u00e9e comme telle par le classifieur \u2014 et des Vrais N\u00e9gatifs (VN), caract\u00e9risant l’absence av\u00e9r\u00e9e du ph\u00e9nom\u00e8ne conjointement corrobor\u00e9e par le syst\u00e8me.<\/p>\n

\u00c0 l’oppos\u00e9 de ces r\u00e9ussites se d\u00e9ploient les deux modalit\u00e9s d’inf\u00e9rence fautive th\u00e9oris\u00e9es par la statistique d\u00e9cisionnelle de Neyman et Pearson. D’une part, les Faux Positifs (FP), \u00e9galement qualifi\u00e9s d’erreurs de type I ou d’alarmes fallacieuses, d\u00e9signent les cas o\u00f9 un statut n\u00e9gatif r\u00e9el se voit attribuer ind\u00fbment l’\u00e9tiquette positive. D’autre part, les Faux N\u00e9gatifs (FN), ou erreurs de type II, correspondent aux d\u00e9faillances de d\u00e9tection o\u00f9 une entit\u00e9 positive est rel\u00e9gu\u00e9e au rang de n\u00e9gatif. La normalisation de ces effectifs bruts selon les marges horizontales et verticales de la table conditionne la lecture distributionnelle des pr\u00e9dictions et permet d’isoler l’impact de la pr\u00e9valence basale sur le comportement intrins\u00e8que de la classification cat\u00e9gorielle.<\/p>\n

1.3 Application transversale aux sciences comportementales et \u00e0 la psychom\u00e9trie<\/h3>\n

L’importation de ces formalismes math\u00e9matiques au sein des sciences comportementales, de la psychiatrie quantitative et de la psychom\u00e9trie contemporaine<\/a> illustre avec acuit\u00e9 la tension entre cat\u00e9gorisation rigide et r\u00e9alit\u00e9 ph\u00e9nom\u00e9nologique continue. Lorsqu’un mod\u00e8le algorithmique est charg\u00e9 d’inf\u00e9rer un diagnostic psychopathologique \u2014 qu’il s’agisse de la d\u00e9pression majeure, du spectre de l’autisme ou d’un trouble de la personnalit\u00e9 limite \u2014, il tente de superposer une fronti\u00e8re d’arbitrage binaire sur un continuum latent de d\u00e9tresse psychologique ou de traits comportementaux h\u00e9t\u00e9rog\u00e8nes. La sensibilit\u00e9 des taxonomies nosographiques, telles que celles \u00e9dict\u00e9es par le DSM-5 ou la CIM-11, est intrins\u00e8quement tributaire de la variabilit\u00e9 des seuils de d\u00e9tection statistique adopt\u00e9s.<\/p>\n

Dans ce contexte disciplinaire particulier, l’alignement des m\u00e9triques d’\u00e9valuation sur la r\u00e9alit\u00e9 clinique observ\u00e9e rel\u00e8ve d’une responsabilit\u00e9 \u00e9thique fondamentale. Une erreur d’inf\u00e9rence ne repr\u00e9sente pas une simple unit\u00e9 d’entropie r\u00e9siduelle dans un journal d’ex\u00e9cution informatique ; elle incarne un individu potentiellement soumis \u00e0 une m\u00e9dication inappropri\u00e9e ou priv\u00e9 d’un accompagnement th\u00e9rapeutique salvateur. Le chercheur en psychom\u00e9trie computationnelle est ainsi contraint de d\u00e9terminer si son mod\u00e8le cherche \u00e0 capturer fid\u00e8lement l’amplitude ph\u00e9nom\u00e9nologique totale d’un syndrome (favorisant l’exhaustivit\u00e9 diagnostique) ou s’il doit garantir une certitude \u00e9tiologique absolue avant toute assignation cat\u00e9gorielle (privil\u00e9giant la puret\u00e9 de la pr\u00e9diction positive).<\/p>\n

2. Analyse conceptuelle et math\u00e9matique de l’Exactitude (Accuracy)<\/h2>\n

2.1 Formulation math\u00e9matique et logique sous-jacente<\/h3>\n

L’exactitude, universellement d\u00e9sign\u00e9e dans la litt\u00e9rature anglo-saxonne sous le terme d’accuracy<\/em>, repr\u00e9sente la mesure de proximit\u00e9 globale entre l’ensemble des inf\u00e9rences formul\u00e9es par un mod\u00e8le et la distribution r\u00e9elle des \u00e9tats de la nature. Sur le plan formel, elle se d\u00e9finit comme le ratio arithm\u00e9tique de la somme des pr\u00e9dictions rigoureusement exactes rapport\u00e9e \u00e0 la cardinalit\u00e9 totale de la cohorte d’\u00e9valuation. Soit un \u00e9chantillon compos\u00e9 de $N$<\/span> observations individuelles r\u00e9parties au sein d’un espace binaire, l’\u00e9quation universelle de l’exactitude s’\u00e9nonce comme suit :<\/p>\n

$$\\text{Exactitude} = \\frac{\\text{VP} + \\text{VN}}{\\text{VP} + \\text{VN} + \\text{FP} + \\text{FN}} = \\frac{\\text{VP} + \\text{VN}}{N}$$<\/span><\/p>\n

Cette formulation repose sur une logique d’agr\u00e9gation sym\u00e9trique et non pond\u00e9r\u00e9e. Chaque observation individuelle, qu’elle appartienne \u00e0 la modalit\u00e9 positive ou \u00e0 la modalit\u00e9 n\u00e9gative, contribue rigoureusement \u00e0 concurrence d’une unit\u00e9 fractionnaire $\\frac{1}{N}$<\/span> au score final. D’un point de vue probabiliste, l’exactitude mod\u00e9lise l’esp\u00e9rance math\u00e9matique qu’une observation $x_i$<\/span>, extraite de mani\u00e8re al\u00e9atoire et uniforme de la distribution conjointe $P(X, Y)$<\/span>, se voie attribuer par le classifieur $\\hat{Y} = f(X)$<\/span> une \u00e9tiquette rigoureusement identique \u00e0 sa valeur empirique r\u00e9elle $Y_i$<\/span>, telle que $P(\\hat{Y} = Y)$<\/span>.<\/p>\n

2.2 Avantages op\u00e9rationnels de la m\u00e9trique d’exactitude<\/h3>\n

L’h\u00e9g\u00e9monie historique de l’exactitude dans les rapports d’ing\u00e9nierie et les protocoles de validation scientifique ne rel\u00e8ve pas d’une anomalie al\u00e9atoire ; elle proc\u00e8de de vertus cognitives et pratiques manifestes. Le premier avantage r\u00e9side dans son imm\u00e9diatet\u00e9 interpr\u00e9tative. Pour un comit\u00e9 d’\u00e9thique m\u00e9dicale, une direction d’\u00e9tablissement hospitalier ou des chercheurs transdisciplinaires d\u00e9pourvus d’expertise approfondie en mod\u00e9lisation stochastique, la notion d’un \u00ab taux d’ad\u00e9quation de 85 % \u00bb v\u00e9hicule une signification intuitive directe et immens\u00e9ment plus accessible que les concepts d’esp\u00e9rance conditionnelle ou de divergence de Kullback-Leibler.<\/p>\n

De surcro\u00eet, l’exactitude s’aligne harmonieusement avec la conception s\u00e9culaire du taux de r\u00e9ussite d’une \u00e9preuve acad\u00e9mique ou psychom\u00e9trique standardis\u00e9e, facilitant ainsi l’acculturation des d\u00e9cideurs profanes aux r\u00e9sultats de la recherche. Sur le plan algorithmique et computationnel, son calcul se caract\u00e9rise par une complexit\u00e9 lin\u00e9aire $O(N)$<\/span> d’une trivialit\u00e9 optimale, ne n\u00e9cessitant aucune manipulation matricielle sophistiqu\u00e9e, aucune inversion de tenseur ni aucun temps d’ex\u00e9cution prohibitif lors des criblages exploratoires pr\u00e9liminaires ou des proc\u00e9dures d’optimisation d’hyperparam\u00e8tres sur de gigantesques banques d’apprentissage.<\/p>\n

2.3 Hypoth\u00e8se sous-jacente de sym\u00e9trie distributionnelle<\/h3>\n

En d\u00e9pit de son \u00e9l\u00e9gante simplicit\u00e9 arithm\u00e9tique, l’exactitude porte en son sein un postulat implicite excessivement restrictif que de nombreux praticiens omettent d’interroger : l’hypoth\u00e8se de sym\u00e9trie distributionnelle absolue. L’utilisation valide de l’exactitude en tant que crit\u00e8re de performance pr\u00e9dictive exige imp\u00e9rativement que les deux conditions marginales suivantes soient simultan\u00e9ment remplies dans l’univers d’inf\u00e9rence :<\/p>\n