F1 = 2 × (Pr\u00e9cision × Rappel) \/ (Pr\u00e9cision + Rappel)<\/strong><\/p>\n Cette formulation r\u00e9v\u00e8le imm\u00e9diatement la propri\u00e9t\u00e9 fondamentale de la moyenne harmonique : elle est domin\u00e9e par la valeur la plus faible. Si un mod\u00e8le de classification affiche une pr\u00e9cision parfaite de 1,0 mais un rappel infinit\u00e9simal tendant vers z\u00e9ro, la moyenne arithm\u00e9tique classique sugg\u00e9rerait une performance globale flatteuse de 0,50. \u00c0 l’inverse, le score F1 s’effondre irr\u00e9m\u00e9diablement vers z\u00e9ro. Ce comportement asymptotique traduit une posture \u00e9pist\u00e9mologique stricte : un syst\u00e8me pr\u00e9dictif ne peut \u00eatre qualifi\u00e9 d’efficace s’il sacrifie enti\u00e8rement l’un des deux piliers de l’\u00e9valuation au profit de l’autre.<\/p>\n La p\u00e9nalisation structurelle des d\u00e9s\u00e9quilibres d\u00e9coule directement de la relation d’in\u00e9galit\u00e9 g\u00e9n\u00e9rale entre moyennes : pour tout ensemble de r\u00e9els strictement positifs, la moyenne harmonique est toujours inf\u00e9rieure ou \u00e9gale \u00e0 la moyenne g\u00e9om\u00e9trique, elle-m\u00eame inf\u00e9rieure ou \u00e9gale \u00e0 la moyenne arithm\u00e9tique. L’\u00e9galit\u00e9 parfaite n’est atteinte que dans le cas singulier o\u00f9 la pr\u00e9cision et le rappel sont strictement identiques. D\u00e8s lors que l’une des composantes diverge de l’autre, le score F1 agit comme un r\u00e9gulateur impitoyable, tirant le score final vers le bas et for\u00e7ant l’algorithme \u00e0 maintenir un \u00e9quilibre fonctionnel entre la rigueur de ses pr\u00e9dictions positives et son exhaustivit\u00e9.<\/p>\n Pour appr\u00e9hender la substance du score F1, il convient de diss\u00e9quer minutieusement la dynamique antagoniste qui r\u00e9git la pr\u00e9cision et le rappel. La pr\u00e9cision quantifie la puret\u00e9 des alertes d\u00e9clench\u00e9es par l’algorithme : sur l’ensemble des instances class\u00e9es positivement, quelle proportion correspond v\u00e9ritablement \u00e0 des cas av\u00e9r\u00e9s ? Le rappel, quant \u00e0 lui, \u00e9value la compl\u00e9tude ou la sensibilit\u00e9 du d\u00e9pistage : sur la totalit\u00e9 des instances r\u00e9ellement positives pr\u00e9sentes dans le jeu de donn\u00e9es, quelle fraction a \u00e9t\u00e9 correctement intercept\u00e9e par le syst\u00e8me ?<\/p>\n Ces deux grandeurs entretiennent une relation dialectique d’opposition intrins\u00e8que, modul\u00e9e par le seuil de discrimination bay\u00e9sien ou probabiliste fix\u00e9 par l’op\u00e9rateur. Si l’on durcit le seuil de d\u00e9cision pour n’\u00e9mettre une pr\u00e9diction positive que face \u00e0 un degr\u00e9 d’incertitude quasi nul, la pr\u00e9cision s’\u00e9l\u00e8ve tendanciellement vers l’unit\u00e9, au d\u00e9triment direct du rappel qui s’atrophie, laissant \u00e9chapper de nombreux cas positifs r\u00e9els. Inversement, si le syst\u00e8me abaisse son seuil pour capturer le moindre signal diffus, le rappel cro\u00eet de mani\u00e8re spectaculaire, mais au prix d’une contamination massive par de fausses alertes, laminant ainsi la pr\u00e9cision.<\/p>\n Le grand m\u00e9rite conceptuel de l’articulation op\u00e9r\u00e9e par le score F1 r\u00e9side dans sa capacit\u00e9 \u00e0 neutraliser le biais de pr\u00e9valence inh\u00e9rent \u00e0 l’exactitude globale (accuracy<\/em>). L’exactitude mesure la proportion totale de pr\u00e9dictions correctes parmi l’ensemble des pr\u00e9dictions effectu\u00e9es. Or, dans des contextes r\u00e9els caract\u00e9ris\u00e9s par une asym\u00e9trie de classe marqu\u00e9e, l’exactitude devient une m\u00e9trique aveugle et trompeuse. Le score F1, en se focalisant exclusivement sur les pr\u00e9dictions positives et les omissions critiques, ignore d\u00e9lib\u00e9r\u00e9ment le volume massif des vrais n\u00e9gatifs, fournissant ainsi une \u00e9valuation r\u00e9aliste de la capacit\u00e9 du mod\u00e8le \u00e0 extraire le signal pertinent du bruit de fond.<\/p>\n L’assise empirique du score F1 se cristallise au sein de la matrice de confusion binaire, structure matricielle fondamentale croisant la r\u00e9alit\u00e9 du terrain avec les assignations pr\u00e9dictives du mod\u00e8le. Cette matrice partitionne l’espace des donn\u00e9es en quatre contingents mutuellement exclusifs : les vrais positifs (VP), les faux positifs (FP, ou erreurs de type I), les vrais n\u00e9gatifs (VN) et les faux n\u00e9gatifs (FN, ou erreurs de type II). \u00c0 partir de cette typologie \u00e9l\u00e9mentaire, la pr\u00e9cision se d\u00e9finit par le ratio VP \/ (VP + FP), tandis que le rappel correspond au ratio VP \/ (VP + FN).<\/p>\n En injectant ces grandeurs au sein de la formule de la moyenne harmonique, le score F1 se condense sous une expression alg\u00e9brique unifi\u00e9e, particuli\u00e8rement r\u00e9v\u00e9latrice de sa m\u00e9canique interne :<\/p>\n F1 = 2 VP \/ (2 VP + FP + FN)<\/strong><\/p>\n Cette \u00e9quation met en lumi\u00e8re la sym\u00e9trie exacte avec laquelle les faux positifs et les faux n\u00e9gatifs sont p\u00e9nalis\u00e9s au d\u00e9nominateur. Chaque erreur de classification, qu’il s’agisse d’une fausse alerte ou d’une omission non d\u00e9tect\u00e9e, contribue avec un coefficient strictement unitaire \u00e0 d\u00e9grader le score global, tandis que chaque succ\u00e8s sur la classe positive (VP) est pond\u00e9r\u00e9 par un facteur multiplicateur de deux au num\u00e9rateur et au d\u00e9nominateur. Il appara\u00eet ainsi clairement que le contingent des vrais n\u00e9gatifs (VN) brille par son absence totale dans ce calcul.<\/p>\n Cette absence des VN explique la grande sensibilit\u00e9 du score F1 face aux variations d’\u00e9chantillonnage de la classe positive. Consid\u00e9rons une cohorte de 10 000 patients comprenant 100 individus malades. Un mod\u00e8le qui isole 80 malades r\u00e9els mais g\u00e9n\u00e8re 120 faux positifs obtiendra une pr\u00e9cision de 80 \/ 200 = 0,40 et un rappel de 80 \/ 100 = 0,80. Le score F1 qui en d\u00e9coule sera de (2 × 0,40 × 0,80) \/ (0,40 + 0,80) = 0,533. Si un second mod\u00e8le, test\u00e9 sur la m\u00eame cohorte, d\u00e9tecte 90 malades mais g\u00e9n\u00e8re 300 faux positifs, sa pr\u00e9cision chute \u00e0 90 \/ 390 ≈ 0,231 tandis que son rappel atteint 0,90 ; son score F1 s’\u00e9tablira alors \u00e0 0,367. La matrice de confusion met ainsi \u00e0 nu la rigueur avec laquelle l’inflation de faux positifs vient saborder le score global, contraignant le data scientist \u00e0 optimiser chirurgicalement chaque point d’arbitrage.<\/p>\n \u00c0 l’instar des probabilit\u00e9s \u00e9l\u00e9mentaires, le score F1 est born\u00e9 dans un intervalle ferm\u00e9 s’\u00e9tendant rigoureusement de 0 \u00e0 1. Chacune de ces bornes extr\u00eames incarne une r\u00e9alit\u00e9 th\u00e9orique bien d\u00e9finie dans l’espace des mod\u00e8les formels. L’atteinte d’un score F1 de 0 signifie l’\u00e9chec total et absolu de la t\u00e2che de classification. Cet \u00e9tat de faillite op\u00e9rationnelle survient soit lorsque le nombre de vrais positifs est strictement nul (le syst\u00e8me \u00e9choue \u00e0 d\u00e9tecter ne serait-ce qu’une seule instance de la classe cible), soit lorsque la pr\u00e9cision ou le rappel est math\u00e9matiquement ind\u00e9fini en raison d’une absence totale de pr\u00e9dictions positives conjugu\u00e9e \u00e0 une absence de d\u00e9tection effective.<\/p>\n \u00c0 l’autre extr\u00e9mit\u00e9 du continuum, le score F1 parfait de 1,0 repr\u00e9sente l’id\u00e9al inaccessible de la s\u00e9parabilit\u00e9 d\u00e9terministe pure. Atteindre un tel score implique simultan\u00e9ment un rappel de 1,0 (z\u00e9ro faux n\u00e9gatif) et une pr\u00e9cision de 1,0 (z\u00e9ro faux positif). Dans cette situation idyllique, le mod\u00e8le a totalement r\u00e9solu le probl\u00e8me de classification : chaque instance positive a \u00e9t\u00e9 intercept\u00e9e sans la moindre contamination par des bruits de fond ou des cas n\u00e9gatifs r\u00e9siduels.<\/p>\n Cependant, en dehors de ces points d’ancrage asymptotiques, le score F1 ne suit aucune distribution normale ou canonique standardis\u00e9e qui permettrait une conversion probabiliste imm\u00e9diate en rangs centiles. Un score de 0,75 ne signifie pas que le mod\u00e8le est sup\u00e9rieur \u00e0 75 % des mod\u00e8les envisageables, ni qu’il poss\u00e8de une probabilit\u00e9 de pr\u00e9diction correcte de 75 %. L’assignation de qualificatifs simplistes tels que \u00ab faible \u00bb, \u00ab m\u00e9diocre \u00bb, \u00ab satisfaisant \u00bb ou \u00ab excellent \u00bb sur la base de tranches arithm\u00e9tiques abstraites constitue un contresens m\u00e9thodologique que la recherche acad\u00e9mique rejette fermement.<\/p>\n En d\u00e9pit des r\u00e9serves formul\u00e9es ci-dessus, la litt\u00e9rature empirique et les revues syst\u00e9matiques de la recherche en intelligence artificielle ont forg\u00e9, par consensus tacite, certaines lignes directrices heuristiques destin\u00e9es \u00e0 calibrer les attentes initiales. Ces rep\u00e8res statistiques permettent d’\u00e9tablir un premier niveau de filtrage technique lors du prototypage algorithmique :<\/p>\n Il est imp\u00e9ratif de souligner avec gravit\u00e9 les p\u00e9rils associ\u00e9s \u00e0 la transposition m\u00e9canique de ces \u00e9chelles heuristiques d’un domaine d’application \u00e0 un autre. Consid\u00e9rer qu’un score F1 de 0,85 est universellement sup\u00e9rieur \u00e0 un score de 0,65 revient \u00e0 occulter la dimension fondamentale de la complexit\u00e9 intrins\u00e8que de la t\u00e2che (task difficulty<\/em>) et la nature de l’espace topologique des donn\u00e9es.<\/p>\n Classifier des documents textuels structur\u00e9s en deux cat\u00e9gories th\u00e9matiques \u00e9tanches (telles que le sport et l’astrophysique) constitue un probl\u00e8me trivial o\u00f9 un score F1 inf\u00e9rieur \u00e0 0,95 traduirait une d\u00e9faillance m\u00e9thodologique flagrante du mod\u00e8le. \u00c0 l’inverse, pr\u00e9dire la survenue d’un infarctus du myocarde dans les quarante-huit heures \u00e0 venir \u00e0 partir de s\u00e9ries temporelles physiologiques bruit\u00e9es est une t\u00e2che d’une complexit\u00e9 stochastique inou\u00efe. Dans un tel environnement hautement incertain, un mod\u00e8le atteignant un score F1 de 0,58 peut surpasser l’expertise humaine combin\u00e9e des meilleurs coll\u00e8ges de praticiens et sauver des centaines de vies, constituant ainsi un triomphe scientifique \u00e9clatant.<\/p>\n La distinction entre la performance statistique brute et l’utilit\u00e9 clinique ou d\u00e9cisionnelle r\u00e9elle s’av\u00e8re ici capitale. La valeur num\u00e9rique d’un score F1 ne prend son sens qu’une fois mise en regard de la fonction de perte soci\u00e9tale, humaine ou financi\u00e8re associ\u00e9e au processus d\u00e9cisionnel. Une norme universelle et d\u00e9contextualis\u00e9e n’est qu’un mirage rassurant qui anesth\u00e9sie l’esprit critique de l’\u00e9valuateur.<\/p>\n Dans le domaine de l’informatique m\u00e9dicale et de l’aide au diagnostic algorithmique, la qualification d’un \u00ab bon \u00bb score F1 est enti\u00e8rement subordonn\u00e9e aux cons\u00e9quences cliniques et vitales des erreurs de classification. Lorsqu’un algorithme est destin\u00e9 au d\u00e9pistage pr\u00e9coce de pathologies l\u00e9tales \u00e0 \u00e9volution rapide \u2014 telles que le glioblastome ou le m\u00e9lanome malin \u2014, le co\u00fbt humain d’une erreur de type II (faux n\u00e9gatif) est infiniment sup\u00e9rieur \u00e0 celui d’une erreur de type I (faux positif).<\/p>\n Un patient victime d’un faux n\u00e9gatif est renvoy\u00e9 chez lui avec un faux sentiment de s\u00e9curit\u00e9, ce qui retarde irr\u00e9m\u00e9diablement la prise en charge th\u00e9rapeutique et r\u00e9duit drastiquement ses chances de survie. \u00c0 l’inverse, un faux positif g\u00e9n\u00e8re certes un stress psychologique transitoire et des co\u00fbts \u00e9conomiques li\u00e9s \u00e0 des examens compl\u00e9mentaires (biopsies, imageries m\u00e9taboliques), mais ne compromet pas directement le pronostic vital imm\u00e9diat. Dans ces conditions, les syst\u00e8mes de sant\u00e9 acceptent volontiers d’op\u00e9rer avec des mod\u00e8les affichant une pr\u00e9cision modeste \u2014 par exemple 0,35 \u2014 pourvu que le rappel s’\u00e9l\u00e8ve \u00e0 0,98 ou 0,99.<\/p>\n Par la m\u00e9canique de la moyenne harmonique, cette asym\u00e9trie d\u00e9grade in\u00e9vitablement la valeur absolue du score F1, qui pourra plafonner p\u00e9niblement autour de 0,52. Pourtant, ce score de 0,52 sera qualifi\u00e9 d’exceptionnel et de hautement conforme aux exigences r\u00e9glementaires de s\u00e9curit\u00e9 sanitaire, car il aura maximis\u00e9 l’extraction du risque tout en maintenant un contingent de fausses alertes supportable pour l’infrastructure hospitali\u00e8re. Les instances normatives, telles que la Food and Drug Administration (FDA) aux \u00c9tats-Unis ou l’Agence europ\u00e9enne des m\u00e9dicaments (EMA), n’\u00e9valuent jamais un score F1 de mani\u00e8re isol\u00e9e, mais scrutent rigoureusement les marges de sensibilit\u00e9 sous-jacentes.<\/p>\n Le paradigme op\u00e9rationnel s’inverse radicalement lorsque l’on franchit les fronti\u00e8res de la cybers\u00e9curit\u00e9 ou de la d\u00e9tection de fraudes au sein des infrastructures bancaires et financi\u00e8res mondiales. Dans ces \u00e9cosyst\u00e8mes, les volumes de donn\u00e9es trait\u00e9s quotidiennement atteignent des \u00e9chelles vertigineuses : plusieurs centaines de millions de transactions financi\u00e8res par tranche de vingt-quatre heures, ou des milliards de paquets r\u00e9seau transitant par les routeurs dorsaux.<\/p>\n Dans ce contexte de d\u00e9luge informationnel, m\u00eame un taux marginal de faux positifs de seulement 0,5 % se traduit par la g\u00e9n\u00e9ration instantan\u00e9e de dizaines de milliers d’alertes infond\u00e9es par jour. Or, chaque alerte requiert une intervention humaine d’investigation men\u00e9e par des analystes sp\u00e9cialis\u00e9s au sein des centres d’op\u00e9rations de s\u00e9curit\u00e9 (SOC). La surcharge cognitive et logistique induite par une trop grande proportion de fausses alertes paralyse le fonctionnement op\u00e9rationnel et dilue l’attention des \u00e9quipes face aux menaces authentiques (ph\u00e9nom\u00e8ne d’anesth\u00e9sie aux alarmes).<\/p>\n Par cons\u00e9quent, les institutions bancaires exigent des mod\u00e8les d’une pr\u00e9cision chirurgicale, souvent sup\u00e9rieure \u00e0 0,90, quitte \u00e0 tol\u00e9rer un rappel substantiellement plus d\u00e9grad\u00e9, oscillant entre 0,45 et 0,55. Dans un tel environnement, la capture d’une fraction substantielle des fraudes majeures sans engorger les cellules de rem\u00e9diation constitue la cible de rentabilit\u00e9 ultime. Un score F1 se situant \u00e0 0,60 est alors fr\u00e9quemment c\u00e9l\u00e9br\u00e9 comme un succ\u00e8s \u00e9conomique et technologique magistral, permettant de bloquer des millions d’euros de pr\u00e9judices criminels tout en maintenant les co\u00fbts d’exploitation op\u00e9rationnels sous contr\u00f4le strict.<\/p>\n Le traitement automatique du langage naturel (NLP) et la recherche d’information (IR) constituent le berceau historique du score F1. Qu’il s’agisse de la reconnaissance d’entit\u00e9s nomm\u00e9es (NER), de la classification de documents juridiques complexes ou de la mod\u00e9lisation de relations s\u00e9mantiques, les praticiens sont confront\u00e9s \u00e0 l’ambigu\u00eft\u00e9 polymorphe et \u00e0 la subjectivit\u00e9 inh\u00e9rentes au langage humain. Contrairement aux signaux physiques rigides, un \u00e9nonc\u00e9 linguistique peut pr\u00eater \u00e0 de multiples interpr\u00e9tations valides selon le contexte pragmatique.<\/p>\n Dans ce cadre, la performance d’un mod\u00e8le de fondation ou d’un grand mod\u00e8le de langage (LLM) est syst\u00e9matiquement ventil\u00e9e selon deux optiques de calcul distinctes : le F1-micro et le F1-macro. Le score F1-micro agr\u00e8ge l’ensemble des vrais positifs, faux positifs et faux n\u00e9gatifs \u00e0 l’\u00e9chelle globale de toutes les cat\u00e9gories, favorisant math\u00e9matiquement les classes textuelles dominantes. Le score F1-macro calcule le score F1 de fa\u00e7on ind\u00e9pendante pour chaque entit\u00e9 s\u00e9mantique avant d’en op\u00e9rer la moyenne arithm\u00e9tique simple, accordant ainsi un pouvoir de sanction \u00e9gal aux classes rares et aux classes majoritaires.<\/p>\n Pour des t\u00e2ches industrielles de routage automatique de r\u00e9clamations clients, un F1-macro de 0,78 est g\u00e9n\u00e9ralement jug\u00e9 pleinement admissible pour l’autonomie applicative. En revanche, pour des applications critiques d’extraction d’arguments juridiques au sein de corpus contractuels multilingues, o\u00f9 la moindre clause manqu\u00e9e peut emporter des cons\u00e9quences financi\u00e8res d\u00e9sastreuses, les seuils d’acceptabilit\u00e9 technique sont relev\u00e9s au-del\u00e0 de 0,88. La nature de la cible textuelle dicte ainsi la fronti\u00e8re exacte entre performance op\u00e9rationnelle et insuffisance m\u00e9thodologique.<\/p>\n Pour saisir toute la pertinence du score F1 et la rigueur de sa qualification, il est indispensable de comprendre le pi\u00e8ge statistique d\u00e9sign\u00e9 sous le nom de \u00ab paradoxe de l’exactitude \u00bb (accuracy paradox<\/em>). Consid\u00e9rons un cas d’\u00e9cole embl\u00e9matique : la d\u00e9tection d’une cyber-attaque sophistiqu\u00e9e au sein d’un flux de donn\u00e9es o\u00f9 la classe malveillante ne repr\u00e9sente que 0,1 % des \u00e9v\u00e9nements observ\u00e9s (soit 10 occurrences sur 10 000 paquets).<\/p>\n Un algorithme na\u00eff et totalement inop\u00e9rant, programm\u00e9 pour pr\u00e9dire syst\u00e9matiquement la classe majoritaire (\u00ab trafic l\u00e9gitime \u00bb) sans jamais analyser le contenu des donn\u00e9es, affichera une exactitude globale spectaculaire de 99,9 %. Un observateur superficiel pourrait conclure \u00e0 la perfection du mod\u00e8le. Pourtant, son utilit\u00e9 op\u00e9rationnelle est rigoureusement nulle : l’ensemble des cyber-attaques passe inaper\u00e7u, exposant le r\u00e9seau \u00e0 une compromission totale.<\/p>\n Face \u00e0 ce classificateur aveugle, le score F1 d\u00e9masque instantan\u00e9ment la supercherie statistique. Avec 0 vrai positif, 0 faux positif et 10 faux n\u00e9gatifs, la pr\u00e9cision est math\u00e9matiquement ind\u00e9termin\u00e9e ou nulle, et le rappel s’\u00e9tablit \u00e0 0. Le score F1 qui en r\u00e9sulte est sans appel : 0,00. Cette propri\u00e9t\u00e9 intrins\u00e8que d’immunit\u00e9 face \u00e0 la masse passive des vrais n\u00e9gatifs conf\u00e8re au score F1 sa sup\u00e9riorit\u00e9 absolue pour appr\u00e9hender la valeur r\u00e9elle d’un algorithme op\u00e9rant sur des distributions d\u00e9s\u00e9quilibr\u00e9es.<\/p>\n Lorsque la pr\u00e9valence d’un ph\u00e9nom\u00e8ne chute \u00e0 des niveaux infinit\u00e9simaux (par exemple 0,01 % ou moins, ce qui est la r\u00e8gle dans le d\u00e9pistage de maladies ultra-rares ou l’interception de signaux terroristes), les propri\u00e9t\u00e9s math\u00e9matiques du score F1 subissent une tension structurelle extr\u00eame. En raison de la r\u00e8gle bay\u00e9sienne d’actualisation des probabilit\u00e9s, m\u00eame une sp\u00e9cificit\u00e9 ph\u00e9nom\u00e9nale de 99,9 % engendre in\u00e9vitablement un volume de faux positifs largement sup\u00e9rieur \u00e0 l’effectif r\u00e9el des vrais positifs.<\/p>\n Dans un tel sc\u00e9nario, la pr\u00e9cision subit une chute m\u00e9canique vertigineuse. Pour un jeu de donn\u00e9es comptant 10 cas positifs sur 100 000 observations, un mod\u00e8le hautement performant qui parvient \u00e0 intercepter 9 des 10 cibles (rappel = 0,90) tout en maintenant le nombre de fausses alertes \u00e0 seulement 50 verra sa pr\u00e9cision plafonner \u00e0 :<\/p>\n 9 \/ (9 + 50) = 9 \/ 59 ≈ 0,1525<\/strong><\/p>\n Le score F1 qui en d\u00e9coule sera alors de :<\/p>\n (2 × 0,1525 × 0,90) \/ (0,1525 + 0,90) ≈ 0,2745 \/ 1,0525 ≈ 0,2608<\/strong><\/p>\n Un data scientist non averti jugerait ce score de 0,26 comme lamentable et disqualifierait le mod\u00e8le. Pourtant, d’un point de vue scientifique et probabiliste, ce r\u00e9sultat constitue un tour de force d’une raret\u00e9 absolue : l’algorithme a multipli\u00e9 par plus de 1 500 la concentration du ph\u00e9nom\u00e8ne cible au sein de l’\u00e9chantillon s\u00e9lectionn\u00e9 par rapport \u00e0 sa distribution naturelle dans la population g\u00e9n\u00e9rale. Dans les contextes de pr\u00e9valence ultra-faible, un score F1 de 0,25 ou 0,35 doit ainsi \u00eatre interpr\u00e9t\u00e9 comme une perc\u00e9e technologique majeure, pulv\u00e9risant les limites statistiques classiques.<\/p>\n Pour optimiser le score F1 sur des ensembles de donn\u00e9es asym\u00e9triques, les ing\u00e9nieurs recourent fr\u00e9quemment \u00e0 des strat\u00e9gies d’ing\u00e9nierie de donn\u00e9es telles que le sur\u00e9chantillonnage de la classe minoritaire par g\u00e9n\u00e9ration de donn\u00e9es synth\u00e9tiques (notamment via l’algorithme SMOTE – Synthetic Minority Over-sampling Technique<\/a>) ou le sous-\u00e9chantillonnage al\u00e9atoire de la classe majoritaire. Bien que ces approches modifient la surface de d\u00e9cision du classificateur durant la phase d’apprentissage, elles introduisent un risque m\u00e9thodologique majeur lors de l’\u00e9valuation finale.<\/p>\n Si l’on \u00e9value un mod\u00e8le sur un jeu de test dont la distribution des classes a \u00e9t\u00e9 artificiellement \u00e9quilibr\u00e9e (50 % de positifs et 50 % de n\u00e9gatifs), le score F1 obtenu sera colossalement gonfl\u00e9 et perdra toute pertinence pr\u00e9dictive pour le monde r\u00e9el. La seule rigueur admissible consiste \u00e0 pr\u00e9server rigoureusement la pr\u00e9valence naturelle et non manipul\u00e9e au sein de l’ensemble de test (hold-out test set<\/em>). Les techniques d’\u00e9chantillonnage ne doivent gouverner que l’espace d’entra\u00eenement.<\/p>\n Parall\u00e8lement, la maximisation du score F1 ne doit pas \u00eatre subie passivement \u00e0 travers le seuil probabiliste standard arbitraire de 0,50 h\u00e9rit\u00e9 des fonctions logistiques. En faisant glisser de fa\u00e7on syst\u00e9matique le seuil de discrimination le long de la courbe d’\u00e9talonnage probabiliste, il devient possible d’identifier le point d’inflexion optimal qui maximise pr\u00e9cis\u00e9ment la m\u00e9trique cible sur un ensemble de validation distinct, ajustant le mod\u00e8le aux exigences sp\u00e9cifiques du cas d’usage r\u00e9el.<\/p>\n L’une des critiques \u00e9pist\u00e9mologiques les plus ac\u00e9r\u00e9es formul\u00e9es \u00e0 l’encontre du score F1 standard concerne son postulat implicite d’\u00e9quivalence absolue entre pr\u00e9cision et rappel. En attribuant un poids rigoureusement identique de 1 aux deux composantes, le score F1 postule que le co\u00fbt soci\u00e9tal, \u00e9conomique ou \u00e9thique d’une fausse alerte \u00e9quivaut point par point au co\u00fbt d’une omission non d\u00e9tect\u00e9e.<\/p>\n Dans la quasi-totalit\u00e9 des syst\u00e8mes d\u00e9cisionnels r\u00e9els r\u00e9gis par la th\u00e9orie math\u00e9matique de la d\u00e9cision rationnelle, cette hypoth\u00e8se de sym\u00e9trie parfaite est invalid\u00e9e par les faits. Rares sont les situations o\u00f9 la perte engendr\u00e9e par un faux positif co\u00efncide au centime pr\u00e8s ou \u00e0 la m\u00eame unit\u00e9 de souffrance humaine avec celle d’un faux n\u00e9gatif. Le choix du coefficient 1 s’apparente ainsi \u00e0 une convention arbitraire plut\u00f4t qu’\u00e0 une n\u00e9cessit\u00e9 fonctionnelle. D\u00e8s lors que les asym\u00e9tries de co\u00fbts deviennent prononc\u00e9es, juger de la pertinence d’un syst\u00e8me \u00e0 l’aune du seul score F1 sym\u00e9trique devient non seulement erron\u00e9, mais contre-productif d’un point de vue d\u00e9cisionnel.<\/p>\n Pour r\u00e9pondre formellement \u00e0 cette asym\u00e9trie lorsque le co\u00fbt de l’omission supplante largement celui de la fausse alerte, la litt\u00e9rature statistique a g\u00e9n\u00e9ralis\u00e9 le score F1 sous la forme du score F-b\u00eata (Fβ<\/sub>), dont la formulation s’\u00e9tablit comme suit :<\/p>\n Fβ<\/sub> = (1 + β2<\/sup>) × (Pr\u00e9cision × Rappel) \/ (β2<\/sup> × Pr\u00e9cision + Rappel)<\/strong><\/p>\n Le param\u00e8tre β sert de curseur d’arbitrage : il quantifie l’importance relative accord\u00e9e au rappel par rapport \u00e0 la pr\u00e9cision. Lorsque l’on fixe β = 2, on obtient le score F2, une formulation analytique qui conf\u00e8re un poids deux fois sup\u00e9rieur au rappel par rapport \u00e0 la pr\u00e9cision. Au d\u00e9nominateur, la pr\u00e9cision se trouve multipli\u00e9e par β2<\/sup> = 4, ce qui signifie que toute baisse du rappel p\u00e9nalise le r\u00e9sultat final quatre fois plus s\u00e9v\u00e8rement qu’une d\u00e9gradation \u00e9quivalente de la pr\u00e9cision.<\/p>\n Le score F2 s’impose ainsi comme l’\u00e9talon de r\u00e9f\u00e9rence incontournable dans la d\u00e9tection des pannes catastrophiques dans les r\u00e9acteurs industriels, l’alerte aux tsunamis ou le d\u00e9pistage m\u00e9dical d’urgence. Un mod\u00e8le affichant un score F1 modeste de 0,65 peut voir son score F2 grimper \u00e0 0,85 s’il a \u00e9t\u00e9 sciemment optimis\u00e9 pour intercepter la quasi-totalit\u00e9 des occurrences critiques. Dans ces conditions op\u00e9ratoires, c’est bien la valeur du score F2 qui d\u00e9termine si le mod\u00e8le est qualifi\u00e9 de \u00ab bon \u00bb, rel\u00e9guant le F1 sym\u00e9trique au rang de simple indicateur secondaire.<\/p>\n \u00c0 l’inverse sym\u00e9trique, certaines architectures applicatives ne peuvent sous aucun pr\u00e9texte tol\u00e9rer un d\u00e9bordement de faux positifs, sous peine d’engager la responsabilit\u00e9 juridique de l’organisation ou de d\u00e9truire irr\u00e9m\u00e9diablement la confiance de l’utilisateur final. Dans de telles configurations, c’est le score F0.5 (β = 0,5) qui prend le relais de l’\u00e9valuation.<\/p>\n En fixant β = 0,5, la formule \u00e9l\u00e8ve le poids relatif de la pr\u00e9cision au double de celui du rappel. Tout faux positif est lourdement sanctionn\u00e9 math\u00e9matiquement, accordant une prime pr\u00e9pond\u00e9rante \u00e0 la fiabilit\u00e9 absolue des d\u00e9tections positives au d\u00e9triment de l’exhaustivit\u00e9 de la couverture. Les cas d’usage typiques incluent les syst\u00e8mes de filtrage automatique de contenus illicites avec blocage imm\u00e9diat de comptes utilisateurs, les m\u00e9canismes d’attribution automatis\u00e9e de subventions publiques hautement r\u00e9glement\u00e9es, ou encore les algorithmes g\u00e9n\u00e9rateurs de diagnostics d’inculpation juridique.<\/p>\n Dans cet univers op\u00e9rationnel, un mod\u00e8le qui sacrifierait sa pr\u00e9cision pour aller chercher des points marginaux de rappel verrait son score F0.5 s’effondrer brutalement. Un syst\u00e8me affichant un score F0.5 de 0,85 sera qualifi\u00e9 d’excellent, m\u00eame si son score F1 ne franchit pas 0,72 en raison d’un rappel volontairement brid\u00e9 \u00e0 des fins de s\u00e9curit\u00e9 juridique.<\/p>\n L’une des illusions les plus profond\u00e9ment ancr\u00e9es chez les praticiens d\u00e9butants consiste \u00e0 croire que, dans un probl\u00e8me de classification binaire, les performances d’un mod\u00e8le al\u00e9atoire correspondent syst\u00e9matiquement \u00e0 un score de 0,50. Si cette intuition est exacte pour l’exactitude globale (dans une situation d’\u00e9quilibre de classes parfait), elle est rigoureusement fausse pour le score F1.<\/p>\n Consid\u00e9rons un classificateur al\u00e9atoire stochastique qui \u00e9met une pr\u00e9diction positive avec une probabilit\u00e9 fixe p<\/em> sur un ensemble de donn\u00e9es o\u00f9 la pr\u00e9valence r\u00e9elle de la classe positive est not\u00e9e π<\/em>. Par les lois fondamentales de la probabilit\u00e9 combinatoire, la pr\u00e9cision esp\u00e9r\u00e9e de ce classificateur co\u00efncide purement et simplement avec le taux de pr\u00e9valence : E(Pr\u00e9cision) = π<\/em>. Parall\u00e8lement, le rappel esp\u00e9r\u00e9 correspond \u00e0 la probabilit\u00e9 de d\u00e9clenchement du mod\u00e8le : E(Rappel) = p<\/em>. En r\u00e9injectant ces esp\u00e9rances math\u00e9matiques dans la formule du score F1, on d\u00e9montre que pour un mod\u00e8le al\u00e9atoire uniforme tirant \u00e0 pile ou face (p<\/em> = 0,5) sur un jeu de donn\u00e9es d\u00e9s\u00e9quilibr\u00e9 o\u00f9 π<\/em> = 0,05, le score F1 esp\u00e9r\u00e9 ne vaut nullement 0,50, mais :<\/p>\n E(F1) = 2 × (0,05 × 0,50) \/ (0,05 + 0,50) = 0,05 \/ 0,55 ≈ 0,0909<\/strong><\/p>\n Si la strat\u00e9gie de tirage al\u00e9atoire est proportionnelle (le mod\u00e8le tire positivement avec une probabilit\u00e9 \u00e9gale \u00e0 la pr\u00e9valence observ\u00e9e π<\/em>), le score F1 esp\u00e9r\u00e9 s’effondre directement \u00e0 la valeur exacte de la pr\u00e9valence, soit 0,05. Ainsi, pour pr\u00e9tendre attester d’un apprentissage effectif et non trivial, un mod\u00e8le doit imp\u00e9rativement afficher un score F1 significativement sup\u00e9rieur \u00e0 la pr\u00e9valence de sa classe cible. Dans un contexte o\u00f9 π<\/em> = 0,01, un mod\u00e8le atteignant un F1 de 0,20 n’est pas m\u00e9diocre : il surpasse de 2 000 % le niveau de bruit al\u00e9atoire.<\/p>\n D\u00e9terminer si un score F1 est \u00ab bon \u00bb exige imp\u00e9rativement de confronter les r\u00e9sultats obtenus \u00e0 des mod\u00e8les de r\u00e9f\u00e9rence (baselines<\/em>) heuristiques d\u00e9terministes. Avant de d\u00e9ployer un r\u00e9seau de neurones profond complexe comptant plusieurs millions de param\u00e8tres, la rigueur scientifique impose d’\u00e9valuer la performance de r\u00e8gles m\u00e9tier simples fond\u00e9es sur un ou deux attributs majeurs.<\/p>\n Il arrive r\u00e9guli\u00e8rement dans la pratique industrielle qu’un arbre de d\u00e9cision rudimentaire fond\u00e9 sur une variable explicative dominante atteigne un score F1 de 0,74 avec un temps de calcul de quelques millisecondes et une explicabilit\u00e9 parfaite. Si un mod\u00e8le de type gradient boosting hautement calibr\u00e9 ou un transformeur ne parvient qu’\u00e0 hisser ce score \u00e0 0,76 au prix d’une infrastructure co\u00fbteuse et d’une opacit\u00e9 algorithmique compl\u00e8te, ce gain marginal de deux points ne saurait qualifier le score de 0,76 de \u00ab succ\u00e8s \u00bb. Le principe de parcimonie scientifique (rasoir d’Ockham) impose de consid\u00e9rer ce r\u00e9sultat comme insuffisant pour justifier le d\u00e9ploiement de la solution lourde.<\/p>\n Le jugement qualitatif port\u00e9 sur un score F1 d\u00e9pend intimement de l’\u00e9tat de l’art mondial consign\u00e9 dans la litt\u00e9rature scientifique de pointe sur des jeux de donn\u00e9es de r\u00e9f\u00e9rence partag\u00e9s (benchmarks<\/em> standardis\u00e9s tels que Papers with Code<\/a>, GLUE ou ImageNet). \u00catre capable d’extraire un score F1 de 0,82 sur un jeu de donn\u00e9es public o\u00f9 la communaut\u00e9 scientifique internationale plafonne historiquement \u00e0 0,79 constitue une performance de tout premier plan qui fera l’objet d’une publication acad\u00e9mique majeure.<\/p>\n Il convient n\u00e9anmoins d’exercer une vigilance \u00e9pist\u00e9mologique constante face au biais de publication qui sature la litt\u00e9rature savante. Les \u00e9quipes de recherche ont structurellement tendance \u00e0 ne publier que des architectures pr\u00e9sentant des scores flatteurs obtenus sur des d\u00e9coupages de donn\u00e9es parfois optimis\u00e9s. La transposition de ces performances th\u00e9oriques au sein d’environnements industriels r\u00e9els se solde presque invariablement par une d\u00e9gradation substantielle du score, li\u00e9e \u00e0 l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des donn\u00e9es de production.<\/p>\n L’introduction des algorithmes d’apprentissage supervis\u00e9 dans les sciences psychologiques et psychiatriques renouvelle en profondeur la question de la validit\u00e9 m\u00e9trologique. Dans le d\u00e9pistage automatis\u00e9 du trouble d\u00e9pressif majeur, de l’anxi\u00e9t\u00e9 g\u00e9n\u00e9ralis\u00e9e ou du risque suicidaire imminent \u00e0 partir d’\u00e9crits num\u00e9riques ou de signaux vocaux, l’\u00e9valuation du score F1 s’inscrit au c\u0153ur de dilemmes moraux et th\u00e9rapeutiques insolubles.<\/p>\n La psychom\u00e9trie classique s’articule traditionnellement autour des concepts de fid\u00e9lit\u00e9 et de validit\u00e9, \u00e9troitement li\u00e9s aux m\u00e9triques de sensibilit\u00e9 (rappel) et de valeur pr\u00e9dictive positive (pr\u00e9cision). Dans l’\u00e9valuation du risque suicidaire aigu, le co\u00fbt moral et soci\u00e9tal d’un faux n\u00e9gatif est infini : il \u00e9quivaut \u00e0 la perte irr\u00e9parable d’une vie humaine qui aurait pu \u00eatre sauv\u00e9e par une intervention de crise. Toutefois, l’inflation incontr\u00f4l\u00e9e de faux positifs engendre un traumatisme iatrog\u00e8ne s\u00e9v\u00e8re, des hospitalisations sous contrainte injustifi\u00e9es et une stigmatisation sociale destructrice pour le patient.<\/p>\n Dans ce contexte \u00e9thique d’une gravit\u00e9 exceptionnelle, un score F1 de 0,55 \u2014 qui pourrait sembler m\u00e9diocre aux yeux d’un informaticien n\u00e9ophyte \u2014 constitue souvent le seuil d’utilit\u00e9 clinique le plus \u00e9lev\u00e9 jamais atteint par des \u00e9chelles psychom\u00e9triques traditionnelles, mat\u00e9rialisant un progr\u00e8s diagnostique substantiel par rapport aux entretiens non standardis\u00e9s.<\/p>\n Le ph\u00e9notypage num\u00e9rique (digital phenotyping<\/em>) exploite les flux continus de donn\u00e9es issues des capteurs de t\u00e9l\u00e9phones intelligents et d’objets connect\u00e9s (latence de frappe au clavier, actim\u00e9trie, variabilit\u00e9 des patterns de mobilit\u00e9 GPS) pour inf\u00e9rer des \u00e9tats cognitifs alt\u00e9r\u00e9s. L’un des chantiers les plus novateurs concerne la d\u00e9tection pr\u00e9coce du d\u00e9clin cognitif l\u00e9ger (MCI – Mild Cognitive Impairment<\/em>), pr\u00e9curseur potentiel de la maladie d’Alzheimer.<\/p>\n L’\u00e9valuation des mod\u00e8les dans cette discipline se heurte \u00e0 une variabilit\u00e9 interindividuelle et intra-individuelle consid\u00e9rable. Les rythmes circadiens, le niveau de fatigue ponctuel ou les \u00e9v\u00e9nements de vie stressants introduisent un bruit de mesure continu qui contamine la puret\u00e9 des s\u00e9ries temporelles. Les algorithmes de classification pr\u00e9dictive se situent g\u00e9n\u00e9ralement dans des zones de score F1 comprises entre 0,62 et 0,75.<\/p>\n Ce niveau de performance est jug\u00e9 pleinement suffisant d\u00e8s lors que le mod\u00e8le n’a pas pour vocation d’\u00e9mettre un diagnostic m\u00e9dical contraignant, mais de fonctionner comme un syst\u00e8me d’alerte passive de premi\u00e8re ligne, incitant le patient \u00e0 consulter un neurologue pour un bilan neuropsychologique complet standardis\u00e9.<\/p>\n Un verrou \u00e9pist\u00e9mologique central dans l’\u00e9valuation psychom\u00e9trique du score F1 r\u00e9side dans la fragilit\u00e9 de la v\u00e9rit\u00e9 terrain (ground truth<\/em>). En vision par ordinateur, identifier un v\u00e9hicule sur une image constitue une t\u00e2che o\u00f9 l’accord entre observateurs humains approche 100 %. En sant\u00e9 mentale et en sciences comportementales, l’\u00e9tiquette cible d\u00e9coule des crit\u00e8res du DSM-5 ou de la CIM-11, dont la fiabilit\u00e9 inter-juges est notoirement imparfaite.<\/p>\n Le coefficient Kappa d’accord diagnostique entre deux psychiatres chevronn\u00e9s \u00e9valuant le m\u00eame patient d\u00e9passe rarement 0,60 \u00e0 0,70 pour de nombreuses pathologies psychiatriques complexes. Math\u00e9matiquement, un algorithme d’apprentissage automatique ne peut pas d\u00e9passer la coh\u00e9rence intrins\u00e8que des donn\u00e9es qui ont servi \u00e0 l’entra\u00eener. Si l’\u00e9talon-or humain comporte une marge d’incertitude structurelle de 30 %, exiger d’un algorithme un score F1 de 0,90 est une absurdit\u00e9 conceptuelle. Dans ce cadre, un mod\u00e8le affichant un score F1 de 0,68 align\u00e9 sur le consensus moyen d’experts humains doit \u00eatre consid\u00e9r\u00e9 comme ayant atteint le plafond th\u00e9orique de s\u00e9parabilit\u00e9 statistique admissible.<\/p>\n L’obtention d’un score F1 exceptionnellement \u00e9lev\u00e9 \u2014 par exemple 0,98 ou 0,99 \u2014 ne doit pas susciter un enthousiasme na\u00eff, mais \u00e9veiller imm\u00e9diatement une profonde m\u00e9fiance m\u00e9thodologique. Le ph\u00e9nom\u00e8ne de surapprentissage constitue la pathologie la plus r\u00e9currente de l’ing\u00e9nierie pr\u00e9dictive moderne. Lorsqu’un mod\u00e8le \u00e0 haute capacit\u00e9 (tel qu’un r\u00e9seau neuronal profond ou un ensemble d’arbres \u00e0 forte profondeur) poss\u00e8de un trop grand nombre de degr\u00e9s de libert\u00e9 par rapport au volume d’exemples disponibles, il finit par m\u00e9moriser le bruit stochastique propre \u00e0 l’\u00e9chantillon d’entra\u00eenement au lieu d’apprendre des r\u00e9gularit\u00e9s g\u00e9n\u00e9ralisables.<\/p>\n Le diagnostic de cette pathologie se manifeste par une divergence critique entre les m\u00e9triques observ\u00e9es en phase d’apprentissage et celles relev\u00e9es sur l’\u00e9chantillon de test ind\u00e9pendant. Un mod\u00e8le qui affiche un F1 de 0,99 \u00e0 l’entra\u00eenement mais s’effondre \u00e0 0,62 sur des donn\u00e9es non vues est un mod\u00e8le d\u00e9faillant, inapte \u00e0 toute extrapolation. La pr\u00e9servation d’une capacit\u00e9 de g\u00e9n\u00e9ralisation saine requiert la mise en \u0153uvre de techniques strictes de r\u00e9gularisation math\u00e9matique (p\u00e9nalit\u00e9s L1\/L2, dropout<\/em>, arr\u00eat pr\u00e9coce) et une \u00e9valuation imp\u00e9rative sur des cohortes g\u00e9ographiquement ou temporellement ind\u00e9pendantes.<\/p>\n Une cause encore plus pernicieuse d’inflation artificielle du score F1 est la fuite d’information ou fuite de donn\u00e9es (data leakage<\/em>). Cette anomalie survient lorsqu’une variable explicative incorpor\u00e9e dans le mod\u00e8le contient directement ou indirectement des informations sur l’\u00e9tiquette cible qui ne seraient pas disponibles au moment de la pr\u00e9diction en conditions r\u00e9elles.<\/p>\n Un exemple classique r\u00e9side dans l’analyse pr\u00e9dictive hospitali\u00e8re, o\u00f9 l’inclusion du code de facturation d’un m\u00e9dicament administr\u00e9 uniquement en soins intensifs permet au mod\u00e8le de pr\u00e9dire la mortalit\u00e9 d’un patient avec un F1 stup\u00e9fiant de 0,97. En r\u00e9alit\u00e9, le mod\u00e8le n’anticipe rien : il constate simplement un traitement administr\u00e9 a posteriori. De m\u00eame, une fuite peut r\u00e9sulter d’une erreur d’ing\u00e9nierie logicielle \u00e9l\u00e9mentaire, comme la normalisation statistique des donn\u00e9es (centrage et r\u00e9duction) appliqu\u00e9e \u00e0 l’ensemble du jeu de donn\u00e9es avant<\/em> sa partition en jeux d’entra\u00eenement et de test. Lors du d\u00e9ploiement en conditions r\u00e9elles o\u00f9 ces donn\u00e9es futures disparaissent, le score F1 s’effondre de mani\u00e8re spectaculaire, invalidant totalement le syst\u00e8me.<\/p>\n Un score F1 peut briller d’un \u00e9clat trompeur s’il a \u00e9t\u00e9 mesur\u00e9 sur un \u00e9chantillon exp\u00e9rimental caract\u00e9ris\u00e9 par un biais de s\u00e9lection s\u00e9v\u00e8re. Dans la recherche en sant\u00e9 et en reconnaissance faciale, il a \u00e9t\u00e9 abondamment d\u00e9montr\u00e9 que des mod\u00e8les affichant des scores F1 globaux de 0,92 sur des banques de donn\u00e9es acad\u00e9miques souffraient de performances catastrophiques d\u00e8s lors qu’ils \u00e9taient confront\u00e9s \u00e0 des sous-populations marginalis\u00e9es ou sous-repr\u00e9sent\u00e9es au sein du jeu d’entra\u00eenement initial.<\/p>\n Ce ph\u00e9nom\u00e8ne d\u00e9truit la validit\u00e9 externe du mod\u00e8le. Un score F1 moyen flatteur masque fr\u00e9quemment des disparit\u00e9s scandaleuses entre sous-groupes d\u00e9mographiques ou op\u00e9rationnels : le mod\u00e8le peut afficher un F1 de 0,95 sur les segments majoritaires mais s’effondrer \u00e0 0,30 sur les minorit\u00e9s vuln\u00e9rables. L’\u00e9valuation de l’excellence d’un score ne peut donc plus s’op\u00e9rer de mani\u00e8re holistique : elle exige une d\u00e9sagr\u00e9gation syst\u00e9matique des scores F1 \u00e0 travers les diff\u00e9rentes strates pour garantir l’\u00e9quit\u00e9 algorithmique et l’invariance structurelle de la performance.<\/p>\n Bien que le score F1 soit largement sup\u00e9rieur \u00e0 l’exactitude brute sur les jeux de donn\u00e9es d\u00e9s\u00e9quilibr\u00e9s, il souffre d’une limitation th\u00e9orique majeure : son incapacit\u00e9 structurelle \u00e0 prendre en compte les vrais n\u00e9gatifs. Face \u00e0 cette lacune, de nombreux biostatisticiens et th\u00e9oriciens de l’information recommandent de compl\u00e9ter syst\u00e9matiquement l’analyse par le coefficient de corr\u00e9lation de Matthews (MCC)<\/a>.<\/p>\n Le MCC int\u00e8gre formellement les quatre quadrants de la matrice de confusion dans son calcul analytique :<\/p>\n MCC = (VP × VN – FP × FN) \/ √((VP + FP)(VP + FN)(VN + FP)(VN + FN))<\/strong><\/p>\n Variant sur une \u00e9chelle continue de -1 \u00e0 +1, le MCC s’interpr\u00e8te rigoureusement comme un coefficient de corr\u00e9lation de Pearson entre les classes r\u00e9elles et les classes pr\u00e9dites. Une valeur de +1 refl\u00e8te une classification parfaite, 0 caract\u00e9rise une performance strictement \u00e9quivalente \u00e0 un tirage au sort al\u00e9atoire, et -1 traduit un d\u00e9saccord syst\u00e9matique et complet. L’un des atouts d\u00e9terminants du MCC est son invariance absolue par rapport \u00e0 la d\u00e9signation conventionnelle de la classe \u00ab positive \u00bb ou \u00ab n\u00e9gative \u00bb. Lorsque le score F1 et le MCC divergent significativement, il convient de faire preuve d’une prudence extr\u00eame : une envol\u00e9e du F1 masquant souvent une mauvaise gestion de la classe n\u00e9gative.<\/p>\n Le score F1 pr\u00e9sente la rigidit\u00e9 d’\u00eatre une m\u00e9trique ponctuelle : il fige l’\u00e9valuation du mod\u00e8le \u00e0 un seuil de discrimination unique et pr\u00e9d\u00e9termin\u00e9 (traditionnellement fix\u00e9 \u00e0 0,50). Or, les mod\u00e8les probabilistes modernes \u00e9mettent des scores continus qu’il convient d’analyser dans leur trajectoire dynamique globale.<\/p>\n Pour appr\u00e9hender cette plasticit\u00e9 d\u00e9cisionnelle, l’utilisation conjointe des courbes ROC (Receiver Operating Characteristic<\/em>) et des courbes Pr\u00e9cision-Rappel (PRC) est indispensable. Si l’aire sous la courbe ROC (AUC-ROC) est universellement mobilis\u00e9e, les statisticiens ont prouv\u00e9 qu’elle demeure excessivement optimiste et trompeuse face \u00e0 des distributions hautement d\u00e9s\u00e9quilibr\u00e9es, pr\u00e9cis\u00e9ment parce que son axe des abscisses (taux de faux positifs) int\u00e8gre la masse \u00e9crasante des vrais n\u00e9gatifs \u00e0 son d\u00e9nominateur. L’aire sous la courbe Pr\u00e9cision-Rappel (AUC-PR) fournit \u00e0 l’inverse une vision fid\u00e8le et incorruptible de la qualit\u00e9 de s\u00e9paration du mod\u00e8le sur les zones rares. Le score F1 repr\u00e9sente alors le sommet maximal atteignable sur cette courbe PR, et ne doit \u00eatre interpr\u00e9t\u00e9 qu’au regard de cette enveloppe de performance globale.<\/p>\n Issu des sciences comportementales, l’indice Kappa de Cohen quantifie le degr\u00e9 de concordance entre deux \u00e9valuateurs (en l’occurrence, le classificateur algorithmique et la v\u00e9rit\u00e9 terrain \u00e9tiquet\u00e9e par l’humain), tout en retranchant explicitement l’accord qui pourrait survenir par le pur hasard statistique :<\/p>\n κ = (Po<\/sub> – Pe<\/sub>) \/ (1 – Pe<\/sub>)<\/strong><\/p>\n O\u00f9 Po<\/sub><\/em> repr\u00e9sente l’accord observ\u00e9 empiriquement et Pe<\/sub><\/em> l’accord th\u00e9orique esp\u00e9r\u00e9 sous l’hypoth\u00e8se d’ind\u00e9pendance stochastique compl\u00e8te. L’int\u00e9gration conjointe du Kappa de Cohen et du score F1 au sein des dossiers de validation algorithmique permet de s\u00e9curiser le processus d\u00e9cisionnel. Un mod\u00e8le affichant un score F1 substantiel coupl\u00e9 \u00e0 un indice Kappa effondr\u00e9 indique imm\u00e9diatement que le succ\u00e8s num\u00e9rique apparent est imputable \u00e0 des co\u00efncidences statistiques sur les marges marginales plut\u00f4t qu’\u00e0 une comp\u00e9tence pr\u00e9dictive authentique.<\/p>\n Affirmer la qualit\u00e9 intrins\u00e8que d’un score F1 \u00e0 l’issue d’une simple partition al\u00e9atoire unique entre ensemble d’entra\u00eenement et ensemble de test constitue une n\u00e9gligence m\u00e9thodologique coupable. Une telle estimation ponctuelle est tributaire des fluctuations d’\u00e9chantillonnage et peut surestimer ou sous-estimer dramatiquement la valeur r\u00e9elle du mod\u00e8le.<\/p>\n Le standard m\u00e9thodologique minimal repose sur l’application rigoureuse d’une validation crois\u00e9e stratifi\u00e9e \u00e0 K blocs (Stratified K-Fold Cross-Validation<\/em>). La stratification garantit que le ratio de pr\u00e9valence exacte de la classe positive est pr\u00e9serv\u00e9 de mani\u00e8re millim\u00e9trique au sein de chacun des K sous-ensembles de validation. \u00c0 l’issue des K it\u00e9rations, l’\u00e9valuateur ne consigne pas simplement une valeur moyenne unique, mais documente l’\u00e9cart-type empirique du score F1. Un mod\u00e8le affichant un score F1 moyen de 0,82 avec un \u00e9cart-type de ± 0,02 inspire une confiance op\u00e9rationnelle infiniment sup\u00e9rieure \u00e0 un mod\u00e8le concurrent affichant un F1 moyen flatteur de 0,86 mais grev\u00e9 d’une volatilit\u00e9 erratique de ± 0,12, r\u00e9v\u00e9lant une instabilit\u00e9 structurelle aigu\u00eb face aux perturbations de l’\u00e9chantillon.<\/p>\n Pour franchir un degr\u00e9 suppl\u00e9mentaire de rigueur scientifique, l’estimation du score F1 doit s’accompagner d’un intervalle de confiance statistique probabiliste. Dans la mesure o\u00f9 la distribution math\u00e9matique exacte de la moyenne harmonique de ratios n’admet pas de forme analytique param\u00e9trique simple, la m\u00e9thode computationnelle du r\u00e9\u00e9chantillonnage non param\u00e9trique (Bootstrap<\/em>) s’impose comme la solution de r\u00e9f\u00e9rence.<\/p>\n En tirant avec remise des milliers d’\u00e9chantillons bootstrap\u00e9s \u00e0 partir de la population de test, on reconstruit empiriquement la v\u00e9ritable distribution d’\u00e9chantillonnage du score F1. Il devient alors ais\u00e9 d’en extraire un intervalle de confiance percentile \u00e0 95 %. Communiquer un r\u00e9sultat sous la forme scientifique : \u00ab Le mod\u00e8le pr\u00e9sente un score F1 de 0,78 (IC 95 % : [0,74 – 0,82]) \u00bb transforme radicalement la port\u00e9e du diagnostic technique. Cela permet aux instances d’arbitrage de quantifier pr\u00e9cis\u00e9ment le risque de queue (tail risk<\/em>) et de v\u00e9rifier que, m\u00eame dans l’hypoth\u00e8se de la borne basse la plus d\u00e9favorable, le syst\u00e8me respecte encore le cahier des charges op\u00e9rationnel.<\/p>\n Lorsque deux architectures algorithmiques sont en comp\u00e9tition pour un d\u00e9ploiement et qu’un mod\u00e8le A pr\u00e9sente un score F1 de 0,84 tandis qu’un mod\u00e8le B affiche 0,86, conclure d’embl\u00e9e \u00e0 la sup\u00e9riorit\u00e9 du second mod\u00e8le rel\u00e8ve de l’illusion num\u00e9rique. Ce modeste \u00e9cart de deux points peut parfaitement r\u00e9sulter du hasard de l’\u00e9chantillonnage ou d’artefacts stochastiques r\u00e9siduels.<\/p>\n La validation scientifique de cette sup\u00e9riorit\u00e9 exige la mise en \u0153uvre de tests d’hypoth\u00e8se statistique formels adapt\u00e9s aux classifications d\u00e9pendantes. Le test non param\u00e9trique de McNemar, appliqu\u00e9 directement sur les discordances crois\u00e9es de la matrice de contingence des deux algorithmes, permet de r\u00e9futer rigoureusement l’hypoth\u00e8se nulle d’\u00e9quivalence pr\u00e9dictive. Dans le cadre de validations crois\u00e9es r\u00e9p\u00e9t\u00e9es, l’application de tests t appari\u00e9s corrig\u00e9s de Nadeau et Bengio garantit que le d\u00e9passement du score F1 est statistiquement significatif au seuil α = 0,05, prot\u00e9geant ainsi l’\u00e9quipe de d\u00e9veloppement contre le risque d’erreur de type I lors du choix du mod\u00e8le d\u00e9finitif.<\/p>\n Afin de concr\u00e9tiser notre propos, examinons une \u00e9tude clinique r\u00e9elle consacr\u00e9e \u00e0 la d\u00e9tection des id\u00e9ations suicidaires au sein des forums de discussion et des r\u00e9seaux sociaux \u00e0 l’aide de mod\u00e8les d’apprentissage profond de traitement du langage naturel. Dans cette recherche, la pr\u00e9valence du risque suicidaire imminent au sein des messages analys\u00e9s \u00e9tait extr\u00eamement faible, \u00e9valu\u00e9e \u00e0 environ 1,2 %.<\/p>\n Le syst\u00e8me pr\u00e9dictif entra\u00een\u00e9 par l’\u00e9quipe a atteint, apr\u00e8s calibrage fin, un score F1 de 0,55, r\u00e9sultant d’une sensibilit\u00e9 (rappel) de 0,82 et d’une pr\u00e9cision de 0,42. Dans une perspective technologique conventionnelle, un score F1 de 0,55 serait d\u00e9daigneusement qualifi\u00e9 d’insuffisant ou de m\u00e9diocre. Pourtant, l’int\u00e9gration de ce syst\u00e8me aux consoles de veille des lignes d’\u00e9coute psychologique a constitu\u00e9 une avanc\u00e9e humaine majeure.<\/p>\n Auparavant, les intervenants humains \u00e9taient submerg\u00e9s par des millions de messages et n’intervenaient qu’au hasard ou sur signalement tardif. Gr\u00e2ce au mod\u00e8le, pour 100 alertes transmises aux \u00e9coutants professionnels, 42 concernaient effectivement des individus au bord du passage \u00e0 l’acte suicidaire, tandis que 82 % des d\u00e9tresse vitales diss\u00e9min\u00e9es sur la plateforme \u00e9taient intercept\u00e9es. En transformant un bruit de fond chaotique en une file d’attente hautement concentr\u00e9e, ce score F1 de 0,55 a permis de sauver des dizaines de vies humaines, illustrant de mani\u00e8re \u00e9clatante la totale d\u00e9connexion entre la modestie d’une valeur num\u00e9rique absolue et sa valeur d’usage op\u00e9rationnelle.<\/p>\n Le second cas empirique porte sur la neuro-imagerie computationnelle d\u00e9di\u00e9e au diagnostic automatis\u00e9 des stades pr\u00e9coces de la maladie d’Alzheimer \u00e0 partir d’acquisitions IRM structurelles 3D pond\u00e9r\u00e9es en T1. Un mod\u00e8le de r\u00e9seau convolutif tridimensionnel (3D-CNN) a atteint, lors des phases d’\u00e9valuation finale, un score F1 remarquable de 0,88, combinant un rappel de 0,90 et une pr\u00e9cision de 0,86.<\/p>\n Avant d’ent\u00e9riner la sup\u00e9riorit\u00e9 de ce mod\u00e8le, les chercheurs ont d\u00e9ploy\u00e9 des cartes de saillance anatomique fond\u00e9es sur l’algorithme Grad-CAM pour cartographier les zones c\u00e9r\u00e9brales ayant activ\u00e9 les d\u00e9cisions du r\u00e9seau de neurones. L’audit d’interpr\u00e9tabilit\u00e9 a r\u00e9v\u00e9l\u00e9 que les activations co\u00efncidaient rigoureusement avec les zones hippocampiques et le cortex entorhinal, r\u00e9gions universellement reconnues par la science neurologique comme le si\u00e8ge de l’atrophie neurod\u00e9g\u00e9n\u00e9rative initiale. Le score F1 de 0,88 a ainsi pu \u00eatre valid\u00e9 cliniquement par des comit\u00e9s d’experts m\u00e9dicaux, non seulement pour sa valeur statistique \u00e9lev\u00e9e, mais pour sa parfaite coh\u00e9rence physiopathologique.<\/p>\n Le troisi\u00e8me cas d’\u00e9cole concerne l’enseignement sup\u00e9rieur num\u00e9rique et la pr\u00e9vention pr\u00e9coce du d\u00e9crochage au sein des cours en ligne ouverts et massifs (MOOC). Face \u00e0 un taux d’abandon naturel historiquement proche de 85 %, une universit\u00e9 de premier plan a d\u00e9velopp\u00e9 un algorithme de suivi pr\u00e9dictif analysant la r\u00e9gularit\u00e9 des connexions et la compl\u00e9tion des exercices hebdomadaires.<\/p>\n Le mod\u00e8le a converg\u00e9 vers un score F1 de 0,72, mat\u00e9rialis\u00e9 par une pr\u00e9cision de 0,78 et un rappel de 0,67. L’\u00e9quipe de direction p\u00e9dagogique disposait d’un budget restreint permettant de financer un contingent limit\u00e9 d’heures de tutorat humain personnalis\u00e9 d’urgence. Avec un seuil de pr\u00e9cision de pr\u00e8s de 80 %, chaque intervention d’un tuteur ciblait un \u00e9tudiant dont la probabilit\u00e9 de d\u00e9crochage \u00e9tait quasi certaine, \u00e9vitant ainsi le gaspillage des deniers publics allou\u00e9s au programme de rem\u00e9diation.<\/p>\n En ajustant dynamiquement le seuil de risque du mod\u00e8le selon les capacit\u00e9s d’accueil variables des tuteurs au fil des semestres, l’institution a r\u00e9ussi \u00e0 p\u00e9renniser son taux de r\u00e9tention d’inscriptions. Le score F1 de 0,72 a constitu\u00e9 dans cette configuration la trajectoire de rentabilit\u00e9 optimale entre l’exhaustivit\u00e9 du d\u00e9pistage et les contraintes \u00e9conomiques structurelles de l’\u00e9tablissement.<\/p>\n Pour affranchir l’ing\u00e9nieur de donn\u00e9es de la subjectivit\u00e9 st\u00e9rile et lui permettre de d\u00e9cr\u00e9ter en toute objectivit\u00e9 si un score F1 est satisfaisant, la premi\u00e8re d\u00e9marche m\u00e9thodologique consiste \u00e0 \u00e9laborer une matrice formalis\u00e9e des co\u00fbts et des gains financiers, \u00e9thiques et organisationnels. Cette d\u00e9marche impose d’associer \u00e9troitement les experts m\u00e9tiers, les juristes et les data scientists au sein d’une commission d’arbitrage interdisciplinaire.<\/p>\n Chaque quadrant de la matrice de confusion doit se voir assigner une valeur d’utilit\u00e9 ou de perte explicite :<\/p>\n Une fois cette fonction d’utilit\u00e9 esp\u00e9r\u00e9e U = ∑ (Cij<\/sub> × Nij<\/sub>) rigoureusement mod\u00e9lis\u00e9e, il devient possible de calculer math\u00e9matiquement le seuil exact de score F1 (et l’arbitrage F-b\u00eata correspondant) en de\u00e7\u00e0 duquel le syst\u00e8me d\u00e9truit de la valeur nette par rapport au statu quo manuel. D\u00e8s cet instant, le qualificatif de \u00ab bon \u00bb score s’arrache \u00e0 l’arbitraire pour s’inscrire dans une rentabilit\u00e9 objectivement mesurable.<\/p>\n L’intelligence artificielle contemporaine op\u00e8re d\u00e9sormais au c\u0153ur d’un environnement juridique de plus en plus contraignant. Le d\u00e9ploiement op\u00e9rationnel d’un syst\u00e8me pr\u00e9dictif au sein de l’Union europ\u00e9enne est d\u00e9sormais strictement encadr\u00e9 par le R\u00e8glement sur l’intelligence artificielle (AI Act)<\/a>, particuli\u00e8rement pour les architectures qualifi\u00e9es de \u00ab syst\u00e8mes \u00e0 haut risque \u00bb (sant\u00e9, gestion des infrastructures critiques, recrutement, maintien de l’ordre).<\/p>\n Ces cadres r\u00e9glementaires imposent des exigences d’auditabilit\u00e9 publique, de reproductibilit\u00e9 scientifique et de non-discrimination statistique entre sous-groupes d\u00e9mographiques. M\u00eame un mod\u00e8le affichant un score F1 ph\u00e9nom\u00e9nal de 0,93 se verra l\u00e9galement refuser toute autorisation de mise sur le march\u00e9 s’il est prouv\u00e9 que cette performance globale a \u00e9t\u00e9 obtenue en sacrifiant l’\u00e9quit\u00e9 de traitement sur une cat\u00e9gorie d\u00e9mographique prot\u00e9g\u00e9e. Un \u00ab bon \u00bb score F1 au XXIe<\/sup> si\u00e8cle est un score qui r\u00e9siste \u00e0 l’\u00e9preuve de la conformit\u00e9 juridique et de l’auditabilit\u00e9 \u00e9thique institutionnelle.<\/p>\n L’ultime jalon consiste \u00e0 formaliser un contrat de performance minimale viable (PMV) engageant conjointement l’\u00e9quipe d’ing\u00e9nierie et la direction m\u00e9tier avant toute mise en production. Ce document contractuel stipule les crit\u00e8res stricts de recevabilit\u00e9 et les protocoles de contingence :<\/p>\n En derni\u00e8re analyse, il appara\u00eet \u00e9vident qu’il n’existe pas de \u00ab bon \u00bb score F1 grav\u00e9 dans l’absolu math\u00e9matique. Un score F1 ne saurait \u00eatre qualifi\u00e9 de bon que s’il surpasse significativement les mod\u00e8les de hasard et les heuristiques triviales, s’il maximise la fonction d’utilit\u00e9 sp\u00e9cifique de son \u00e9cosyst\u00e8me en respectant l’asym\u00e9trie des co\u00fbts, et s’il assure un ratio d’am\u00e9lioration op\u00e9rationnelle d\u00e9montrable sup\u00e9rieur aux risques inh\u00e9rents \u00e0 son d\u00e9ploiement dans le monde r\u00e9el.<\/p>\n Chinchor, N. (1992). MUC-4 MUC-4 evaluation metrics. In Proceedings of the 4th Conference on Message Understanding<\/em> (pp. 22-29). Association for Computational Linguistics. https:\/\/doi.org\/10.3115\/1072064.1072067<\/a><\/p>\n Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research<\/em>, 16, 321-357. https:\/\/doi.org\/10.1613\/jair.953<\/a><\/p>\n Chicco, D., & Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics<\/em>, 21(1), Article 6. https:\/\/doi.org\/10.1186\/s12864-019-6413-7<\/a><\/p>\n Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement<\/em>, 20(1), 37-46. https:\/\/doi.org\/10.1177\/001316446002000104<\/a><\/p>\n Hand, D. J., & Christen, P. (2018). A note on using the F-measure for evaluating information retrieval performance. Statistics and Computing<\/em>, 28(3), 539-546. https:\/\/doi.org\/10.1007\/s11222-017-9746-6<\/a><\/p>\n Nadeau, C., & Bengio, Y. (2003). Inference for the generalization error. Machine Learning<\/em>, 52(3), 239-281. https:\/\/doi.org\/10.1023\/A:1024068612657<\/a><\/p>\n Powers, D. M. (2011). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies<\/em>, 2(1), 37-63. https:\/\/hdl.handle.net\/2328\/27165<\/a><\/p>\n Saito, T., & Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating imbalanced datasets. PLOS ONE<\/em>, 10(3), Article e0118432. https:\/\/doi.org\/10.1371\/journal.pone.0118432<\/a><\/p>\n1.2 Articulation entre pr\u00e9cision et rappel<\/h3>\n
1.3 Illustration empirique \u00e0 travers la matrice de confusion<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/fscore1-2.png\")
<\/figure>\n2. L’interpr\u00e9tation absolue du score F1 : Rep\u00e8res th\u00e9oriques et heuristiques<\/h2>\n
2.1 Le spectre th\u00e9orique de z\u00e9ro \u00e0 un<\/h3>\n
2.2 Les seuils heuristiques conventionnels dans la litt\u00e9rature acad\u00e9mique<\/h3>\n
\n
2.3 D\u00e9construction critique des \u00e9chelles normatives universelles<\/h3>\n
3. La relativit\u00e9 contextuelle : D\u00e9finir l’excellence selon le domaine d’application<\/h2>\n
3.1 Le secteur m\u00e9dical et diagnostique : Priorit\u00e9 au rappel<\/h3>\n
3.2 La d\u00e9tection de fraude et la cybers\u00e9curit\u00e9 : Gestion des volumes extr\u00eames<\/h3>\n
3.3 Le traitement automatique du langage naturel et la recherche d’information<\/h3>\n
4. L’impact critique du d\u00e9s\u00e9quilibre des classes sur la qualification du score<\/h2>\n
4.1 L’illusion de l’exactitude globale (accuracy paradox)<\/h3>\n
4.2 La performance face \u00e0 des taux de pr\u00e9valence infinit\u00e9simaux<\/h3>\n
4.3 Strat\u00e9gies d’ajustement : R\u00e9\u00e9chantillonnage et seuillage<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/goodf1_1.png\")
<\/figure>\n5. Au-del\u00e0 de la sym\u00e9trie : Quand le score F-b\u00eata red\u00e9finit ce qui est \u00ab bon \u00bb<\/h2>\n
5.1 Limites de la pond\u00e9ration \u00e9gale entre pr\u00e9cision et rappel<\/h3>\n
5.2 Le score F2 : Privil\u00e9gier la sensibilit\u00e9 et la d\u00e9tection<\/h3>\n
5.3 Le score F0.5 : Priorit\u00e9 \u00e0 la certitude pr\u00e9dictive<\/h3>\n
6. L’\u00e9tablissement de mod\u00e8les de r\u00e9f\u00e9rence (Baselines) et scores de hasard<\/h2>\n
6.1 Calcul du score F1 d’un classificateur purement al\u00e9atoire<\/h3>\n
6.2 Comparaison avec des mod\u00e8les heuristiques d\u00e9terministes<\/h3>\n
6.3 L’\u00e9tat de l’art scientifique comme m\u00e8tre \u00e9talon<\/h3>\n
7. La perspective psychom\u00e9trique : \u00c9valuation des diagnostics cognitifs et comportementaux<\/h2>\n
7.1 Validation des outils de d\u00e9pistage en sant\u00e9 mentale<\/h3>\n
7.2 \u00c9valuation cognitive et ph\u00e9notypage num\u00e9rique<\/h3>\n
7.3 Fiabilit\u00e9 des \u00e9tiquettes diagnostiques de v\u00e9rit\u00e9 terrain<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/goodf1_2.png\")
<\/figure>\n8. Les pathologies de l’\u00e9valuation : Risques associ\u00e9s \u00e0 un score F1 anormalement \u00e9lev\u00e9<\/h2>\n
8.1 Le pi\u00e8ge du surapprentissage (Overfitting)<\/h3>\n
8.2 Fuite de donn\u00e9es (Data Leakage) et contamination<\/h3>\n
8.3 Biais de repr\u00e9sentativit\u00e9 et validit\u00e9 externe<\/h3>\n
9. M\u00e9triques compl\u00e9mentaires indispensables pour contextualiser le score F1<\/h2>\n
9.1 Le coefficient de corr\u00e9lation de Matthews (MCC)<\/h3>\n
9.2 Courbes ROC et PR : Analyse de la dynamique des seuils<\/h3>\n
9.3 Indice Kappa de Cohen et m\u00e9triques de concordance<\/h3>\n
10. M\u00e9thodologies de validation statistique pour fiabiliser le score F1<\/h2>\n
10.1 Validation crois\u00e9e stratifi\u00e9e \u00e0 K blocs (K-Fold)<\/h3>\n
10.2 Intervalles de confiance par r\u00e9\u00e9chantillonnage Bootstrap<\/h3>\n
10.3 Tests de signification statistique entre mod\u00e8les concurrents<\/h3>\n
11. \u00c9tudes de cas empiriques : Analyse critique de scores F1 r\u00e9els<\/h2>\n
11.1 D\u00e9pistage du risque suicidaire par analyse textuelle<\/h3>\n
11.2 Diagnostic de la maladie d’Alzheimer \u00e0 partir de l’IRM<\/h3>\n
11.3 Pr\u00e9diction du d\u00e9crochage universitaire en ligne<\/h3>\n
12. Cadre d\u00e9cisionnel normatif : Fixer le seuil d’acceptabilit\u00e9 d’un bon score F1<\/h2>\n
12.1 \u00c9tape 1 : Cartographie de la matrice des co\u00fbts et gains<\/h3>\n
\n
12.2 \u00c9tape 2 : \u00c9valuation des contraintes r\u00e9glementaires et \u00e9thiques<\/h3>\n
12.3 \u00c9tape 3 : D\u00e9finition du contrat de performance minimale viable (PMV)<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n