{"id":5138,"date":"2026-10-14T18:01:57","date_gmt":"2026-10-14T18:01:57","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/calculer-exactitude-equilibree-python-sklearn\/"},"modified":"2026-10-14T18:01:57","modified_gmt":"2026-10-14T18:01:57","slug":"calculer-exactitude-equilibree-python-sklearn","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=calculer-exactitude-equilibree-python-sklearn","title":{"rendered":"Comment calculer l’exactitude \u00e9quilibr\u00e9e en Python en utilisant sklearn"},"content":{"rendered":"

Dans le champ contemporain de l’apprentissage automatique et de la mod\u00e9lisation statistique appliqu\u00e9e, l’\u00e9valuation de la performance d’un algorithme constitue une \u00e9tape m\u00e9thodologique tout aussi critique que la conception de son architecture interne. Trop souvent, les praticiens et chercheurs se reposent sur des indicateurs intuitifs mais trompeurs, au premier rang desquels figure l’exactitude globale, commun\u00e9ment d\u00e9sign\u00e9e sous le terme d’accuracy<\/em>. Cette m\u00e9trique, qui mesure simplement la proportion de pr\u00e9dictions correctes sur l’ensemble des observations disponibles, pr\u00e9sente une fragilit\u00e9 structurelle majeure d\u00e8s lors qu’elle est confront\u00e9e \u00e0 des distributions empiriques asym\u00e9triques. Dans les disciplines o\u00f9 les \u00e9v\u00e9nements d’int\u00e9r\u00eat surviennent avec une fr\u00e9quence relative faible — telles que la psychiatrie computationnelle, l’\u00e9pid\u00e9miologie clinique, la psychom\u00e9trie ou la d\u00e9tection de fraudes comportementales —, l’exactitude standard perd toute valeur discriminante et induit une distorsion cognitive s\u00e9v\u00e8re dans l’appr\u00e9ciation des capacit\u00e9s r\u00e9elles du mod\u00e8le.<\/p>\n

Pour surmonter cette impasse analytique, la recherche m\u00e9thodologique a formalis\u00e9 une alternative robuste : l’exactitude \u00e9quilibr\u00e9e, ou Balanced Accuracy<\/strong>. Fond\u00e9e sur une d\u00e9composition probabiliste rigoureuse issue des principes de la th\u00e9orie de la d\u00e9tection du signal, cette mesure neutralise le poids d\u00e9mographique disproportionn\u00e9 des classes majoritaires en calculant la moyenne arithm\u00e9tique des taux de succ\u00e8s obtenus sur chaque cat\u00e9gorie consid\u00e9r\u00e9e isol\u00e9ment. Ainsi, elle attribue une importance \u00e9pist\u00e9mologique identique \u00e0 la d\u00e9tection de la classe marginale et \u00e0 celle du groupe dominant. Ce principe \u00e9l\u00e9mentaire transforme radicalement le diagnostic de performance, contraignant les algorithmes \u00e0 faire preuve d’une v\u00e9ritable comp\u00e9tence discriminative plut\u00f4t que de capitaliser sur la pr\u00e9valence a priori du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9.<\/p>\n

L’\u00e9cosyst\u00e8me Python, soutenu par l’infrastructure logicielle de scikit-learn<\/a>, offre un cadre de calcul standardis\u00e9, modulaire et hautement optimis\u00e9 pour l’estimation de l’exactitude \u00e9quilibr\u00e9e. Le pr\u00e9sent article propose une exploration exhaustive, tant sur le plan th\u00e9orique que programmatique, de cette m\u00e9trique essentielle. De l’\u00e9lucidation de ses fondements math\u00e9matiques \u00e0 son d\u00e9ploiement au sein de protocoles complexes de validation crois\u00e9e et d’optimisation bay\u00e9sienne d’hyperparam\u00e8tres, nous d\u00e9taillerons les m\u00e9canismes sous-jacents n\u00e9cessaires \u00e0 une mise en \u0153uvre rigoureuse, reproductible et scientifiquement irr\u00e9prochable dans les travaux d’analyse pr\u00e9dictive modernes.<\/p>\n

1. Introduction th\u00e9orique \u00e0 l’exactitude \u00e9quilibr\u00e9e (Balanced Accuracy)<\/h2>\n

1.1 D\u00e9finition conceptuelle et \u00e9mergence de la m\u00e9trique<\/h3>\n

L’exactitude \u00e9quilibr\u00e9e trouve ses racines historiques et conceptuelles dans les d\u00e9veloppements de la th\u00e9orie de la d\u00e9tection du signal (TDS), initialement formalis\u00e9e par des chercheurs comme Tanner et Swets au milieu du XXe si\u00e8cle pour quantifier la mani\u00e8re dont un observateur — qu’il soit biologique ou m\u00e9canique — parvient \u00e0 s\u00e9parer une information pertinente d’un bruit de fond stochastique. Dans les configurations exp\u00e9rimentales de la psychophysique et de la th\u00e9orie de l’information, il est rapidement apparu que la capacit\u00e9 d’un syst\u00e8me \u00e0 \u00e9mettre une r\u00e9ponse ad\u00e9quate ne pouvait \u00eatre \u00e9valu\u00e9e \u00e0 l’aune d’un simple comptage des r\u00e9ponses correctes. Lorsque les stimuli cibles sont rares, un observateur biais\u00e9 qui r\u00e9pond syst\u00e9matiquement par la n\u00e9gative pr\u00e9sente paradoxalement un taux d’exactitude global flatteur tout en \u00e9chouant syst\u00e9matiquement \u00e0 d\u00e9tecter le signal attendu.<\/p>\n

Cette aporie m\u00e9thodologique a conduit la communaut\u00e9 statistique \u00e0 \u00e9laborer des m\u00e9triques normalis\u00e9es, affranchies des variations de pr\u00e9valence du signal dans l’environnement exp\u00e9rimental. C’est au c\u0153ur de cette qu\u00eate de validit\u00e9 de construit que l’exactitude \u00e9quilibr\u00e9e a \u00e9t\u00e9 introduite dans les sciences des donn\u00e9es, notamment popularis\u00e9e par les travaux fondateurs de Brodersen et ses collaborateurs (2010)<\/a>. L’objectif \u00e9tait d’instaurer un crit\u00e8re d’\u00e9valuation qui traite chaque cat\u00e9gorie diagnostique ou comportementale comme un domaine d’\u00e9valuation autonome poss\u00e9dant un poids \u00e9gal dans le jugement synth\u00e9tique de l’observateur.<\/p>\n

D’un point de vue \u00e9pist\u00e9mologique, il convient d’op\u00e9rer une distinction rigoureuse entre l’exactitude brute et l’exactitude normalis\u00e9e. L’exactitude brute est une mesure purement descriptive de la concordance globale entre l’\u00e9chantillon empirique et le vecteur de pr\u00e9diction. Elle refl\u00e8te autant la structure marginale de la distribution des donn\u00e9es que l’ad\u00e9quation fonctionnelle de l’algorithme. \u00c0 l’inverse, l’exactitude \u00e9quilibr\u00e9e s’affirme comme une m\u00e9trique contrefactuelle : elle estime quelle aurait \u00e9t\u00e9 l’exactitude du mod\u00e8le si les donn\u00e9es d’\u00e9valuation avaient pr\u00e9sent\u00e9 une r\u00e9partition parfaitement sym\u00e9trique entre les classes. Cette normalisation constitue une condition pr\u00e9alable indispensable \u00e0 toute inf\u00e9rence robuste portant sur l’efficacit\u00e9 intrins\u00e8que d’un m\u00e9canisme de d\u00e9cision supervis\u00e9.<\/p>\n

1.2 Le probl\u00e8me fondamental du d\u00e9s\u00e9quilibre des classes<\/h3>\n

Dans la grande majorit\u00e9 des recherches empiriques contemporaines, la r\u00e9partition des observations entre les modalit\u00e9s d’une variable cible s’av\u00e8re profond\u00e9ment asym\u00e9trique. Qu’il s’agisse de documenter la survenue d’un comportement violent en milieu carc\u00e9ral, l’\u00e9mergence d’une pathologie neurod\u00e9g\u00e9n\u00e9rative pr\u00e9coce, la fraude financi\u00e8re ou le d\u00e9crochage scolaire soudain, les cas positifs ne constituent fr\u00e9quemment qu’une fraction marginale — oscillant typiquement entre 1 % et 10 % — du corpus d’observation total. Ce ph\u00e9nom\u00e8ne d’asym\u00e9trie structurelle engendre ce que les statisticiens d\u00e9signent sous le nom de \u00ab paradoxe de l’exactitude \u00bb (Accuracy Paradox<\/em>).<\/p>\n

Ce paradoxe d\u00e9coule directement de la structure de calcul de l’exactitude classique. Lorsqu’un jeu de donn\u00e9es comprend 98 % d’individus sains et 2 % d’individus atteints d’un trouble psychopathologique s\u00e9v\u00e8re, un algorithme trivial programm\u00e9 pour pr\u00e9dire de mani\u00e8re d\u00e9terministe et constante la n\u00e9gativit\u00e9 diagnostique obtiendra, sans le moindre apprentissage, une exactitude brute de 98 %. D’un point de vue quantitatif superficiel, ce mod\u00e8le semble fr\u00f4ler la perfection statistique. En r\u00e9alit\u00e9, sur le plan op\u00e9rationnel et clinique, son utilit\u00e9 pr\u00e9dictive est strictement nulle, puisqu’il \u00e9choue \u00e0 identifier le moindre sujet \u00e0 risque. Le paradoxe r\u00e9side dans le fait qu’un mod\u00e8le dot\u00e9 d’une exactitude inf\u00e9rieure — par exemple 88 % —, mais capable d’isoler une part significative des v\u00e9ritables cas positifs, sera formellement rejet\u00e9 au profit du mod\u00e8le na\u00eff si l’exactitude globale demeure le seul crit\u00e8re de s\u00e9lection.<\/p>\n

Les cons\u00e9quences d’un tel biais cognitif et m\u00e9thodologique dans la conduite de la recherche appliqu\u00e9e s’av\u00e8rent d\u00e9l\u00e9t\u00e8res. L’utilisation d’une m\u00e9trique inad\u00e9quate conduit invariablement les \u00e9quipes de recherche \u00e0 s\u00e9lectionner des estimateurs statistiques paresseux, qui maximisent leur score en se conformant \u00e0 la structure a priori de l’\u00e9chantillon plut\u00f4t qu’en identifiant les variables explicatives discriminantes de la classe minoritaire. Ceci g\u00e9n\u00e8re une perte de confiance dans les outils d’apprentissage automatique lorsqu’ils sont ensuite confront\u00e9s \u00e0 la r\u00e9alit\u00e9 du terrain clinique ou organisationnel.<\/p>\n

1.3 Pertinence dans l’analyse comportementale et les sciences sociales<\/h3>\n

Dans l’analyse comportementale, la sociologie quantitative et les neurosciences cognitives, l’exactitude \u00e9quilibr\u00e9e r\u00e9pond \u00e0 une exigence \u00e9thique et clinique fondamentale : l’\u00e9quit\u00e9 de traitement statistique des ph\u00e9nom\u00e8nes \u00e0 faible incidence. Consid\u00e9rons, par exemple, la d\u00e9tection des id\u00e9es suicidaires ou des passages \u00e0 l’acte auto-agressifs au sein d’une cohorte longitudinale d’adolescents. Dans ce contexte, la pr\u00e9valence du ph\u00e9nom\u00e8ne reste heureusement basse \u00e0 l’\u00e9chelle de la population g\u00e9n\u00e9rale. Toutefois, le co\u00fbt soci\u00e9tal, humain et m\u00e9dical d’un faux n\u00e9gatif (l’incapacit\u00e9 \u00e0 identifier un sujet en d\u00e9tresse) exc\u00e8de incommensurablement le co\u00fbt logistique d’un faux positif (la conduite d’une \u00e9valuation clinique compl\u00e9mentaire non concluante).<\/p>\n

Si les mod\u00e8les pr\u00e9dictifs d\u00e9velopp\u00e9s dans ces disciplines sont calibr\u00e9s et \u00e9valu\u00e9s \u00e0 l’aide de l’exactitude conventionnelle, le processus d’optimisation math\u00e9matique n\u00e9gligera in\u00e9vitablement les sous-groupes minoritaires. L’exactitude \u00e9quilibr\u00e9e contraint l’analyste \u00e0 maintenir un niveau d’exigence m\u00e9thodologique constant quelle que soit la repr\u00e9sentativit\u00e9 statistique du sous-groupe. Elle impose au mod\u00e8le pr\u00e9dictif d’atteindre un taux de reconnaissance acceptable tant chez les individus manifestant un trait psychologique rare — par exemple, un profil de personnalit\u00e9 antisociale ou une r\u00e9silience cognitive exceptionnelle — que chez les sujets conformes \u00e0 la norme populationnelle.<\/p>\n

De surcro\u00eet, la m\u00e9trique s’inscrit au c\u0153ur des d\u00e9bats contemporains relatifs \u00e0 la justice algorithmique (algorithmic fairness<\/em>). Dans les \u00e9tudes sociologiques relatives aux d\u00e9cisions d’octroi de bourses, de pr\u00e9diction de r\u00e9cidive judiciaire ou d’acc\u00e8s \u00e0 des programmes sociaux s\u00e9lectifs, les minorit\u00e9s d\u00e9mographiques subissent fr\u00e9quemment une sous-repr\u00e9sentation dans les cohortes d’entra\u00eenement. L’exactitude \u00e9quilibr\u00e9e garantit que les erreurs commises sur ces populations sp\u00e9cifiques ne soient pas dilu\u00e9es et dissimul\u00e9es derri\u00e8re l’\u00e9crasante masse statistique des donn\u00e9es issues du groupe majoritaire, assurant ainsi une auditabilit\u00e9 scientifique et sociale transparente des mod\u00e8les pr\u00e9dictifs.<\/p>\n

2. Les limites structurelles de l’exactitude standard face aux classes asym\u00e9triques<\/h2>\n

2.1 Analyse math\u00e9matique du paradoxe de l’exactitude<\/h3>\n

Pour appr\u00e9hender formellement les m\u00e9canismes du paradoxe de l’exactitude, il est n\u00e9cessaire de d\u00e9composer analytiquement la formule conventionnelle de cette m\u00e9trique. Soit un ensemble de $N$<\/span> observations distribu\u00e9es entre deux classes mutuellement exclusives, not\u00e9es $C_0$<\/span> et $C_1$<\/span>. D\u00e9finissons $N_0$<\/span> comme l’effectif des individus appartenant \u00e0 la classe majoritaire $C_0$<\/span>, et $N_1$<\/span> comme l’effectif de la classe minoritaire $C_1$<\/span>, tels que $N = N_0 + N_1$<\/span>. La matrice de confusion issue de la confrontation entre les \u00e9tiquettes observ\u00e9es et les pr\u00e9dictions d’un mod\u00e8le binaire permet de d\u00e9finir quatre quantit\u00e9s fondamentales : les vrais positifs ($VP$<\/span>), les vrais n\u00e9gatifs ($VN$<\/span>), les faux positifs ($FP$<\/span>) et les faux n\u00e9gatifs ($FN$<\/span>). L’exactitude conventionnelle, not\u00e9e ici $A$<\/span>, s’exprime par la relation lin\u00e9aire suivante :<\/p>\n

$$A = \\frac{VP + VN}{N} = \\frac{VP + VN}{N_0 + N_1}$$<\/span><\/p>\n

Supposons \u00e0 pr\u00e9sent l’existence d’une asym\u00e9trie marqu\u00e9e caract\u00e9ris\u00e9e par un ratio de pr\u00e9valence $\\pi = \\frac{N_1}{N} to 0$<\/span>, ce qui implique r\u00e9ciproquement que $\\frac{N_0}{N} = 1 – \\pi to 1$<\/span>. Si nous soumettons \u00e0 ce jeu de donn\u00e9es un classificateur invariant ou \u00ab aveugle \u00bb, qui pr\u00e9dit syst\u00e9matiquement et inconditionnellement la classe majoritaire $C_0$<\/span> pour tout individu de l’\u00e9chantillon, les valeurs prises par les composantes de la matrice de confusion deviennent imm\u00e9diatement pr\u00e9visibles : $VP = 0$<\/span>, $FN = N_1$<\/span>, $VN = N_0$<\/span>, et $FP = 0$<\/span>. En substituant ces grandeurs au sein de la formulation de base, le r\u00e9sultat math\u00e9matique obtenu se r\u00e9duit \u00e0 :<\/p>\n

$$A_{\\text{na\u00eff}} = \\frac{0 + N_0}{N_0 + N_1} = \\frac{N_0}{N} = 1 – \\pi$$<\/span><\/p>\n

Cette d\u00e9monstration \u00e9tablit sans \u00e9quivoque que la performance affich\u00e9e par un classificateur d\u00e9pourvu de toute capacit\u00e9 d’inf\u00e9rence tend asymptotiquement vers l’unit\u00e9 \u00e0 mesure que la classe minoritaire se rar\u00e9fie. Dans une situation o\u00f9 $\\pi = 0{,}001$<\/span> (un cas positif pour mille individus), le classificateur na\u00eff affiche un score de $0{,}999$<\/span>, soit une exactitude de 99,9 %. La formule classique op\u00e8re ainsi un effet d’\u00e9crasement ou de masquage statistique : l’erreur commise sur la classe $C_1$<\/span> ($FN = N_1$<\/span>) est divis\u00e9e par le volume total $N$<\/span>, ce qui neutralise sa contribution relative au score final et dissimule l’\u00e9chec fonctionnel complet du mod\u00e8le sur la cat\u00e9gorie critique.<\/p>\n

2.2 Impact op\u00e9rationnel d’une mauvaise m\u00e9trique d’\u00e9valuation<\/h3>\n

L’utilisation de l’exactitude standard dans un environnement de classes asym\u00e9triques entra\u00eene des r\u00e9percussions d\u00e9sastreuses sur la validit\u00e9 interne et externe des travaux quantitatifs. Au sein de la litt\u00e9rature scientifique \u00e9valu\u00e9e par les pairs, il n’est pas rare de constater la validation de mod\u00e8les pr\u00e9tendant r\u00e9soudre des probl\u00e8mes diagnostiques complexes avec une exactitude annonc\u00e9e de plus de 90 %, alors m\u00eame qu’une analyse minutieuse de leurs tables de contingence r\u00e9v\u00e8le qu’ils ne poss\u00e8dent aucune sensibilit\u00e9 clinique. Cette illusion de comp\u00e9tence algorithmique pollue les corpus de m\u00e9ta-analyse et fausse l’\u00e9tat de l’art technologique.<\/p>\n

Dans un contexte d\u00e9cisionnel r\u00e9el, par exemple dans le d\u00e9ploiement d’un mod\u00e8le d’alerte pr\u00e9coce pour la pr\u00e9vention du d\u00e9crochage universitaire au sein d’une cohorte d’\u00e9tudiants vuln\u00e9rables, une exactitude globale trompeuse induit un taux massif de faux n\u00e9gatifs non surveill\u00e9s. Les gestionnaires de programmes institutionnels, rassur\u00e9s par un taux d’erreur global apparent de seulement 5 %, ignorent que ces 5 % d’erreurs concentrent l’int\u00e9gralit\u00e9 des \u00e9tudiants qui vont effectivement abandonner leur cursus sans avoir re\u00e7u l’accompagnement p\u00e9dagogique n\u00e9cessaire. L’outil d’aide \u00e0 la d\u00e9cision devient alors un vecteur involontaire de non-intervention.<\/p>\n

En outre, l’alt\u00e9ration de la reproductibilit\u00e9 scientifique constitue l’un des effets pervers les plus insidieux de cette pratique. Lorsqu’une \u00e9quipe de recherche tente de reproduire sur une population externe un mod\u00e8le entra\u00een\u00e9 sur un \u00e9chantillon d\u00e9s\u00e9quilibr\u00e9 avec un haut score d’exactitude brute, l’inversion ou la simple variation de la pr\u00e9valence de la classe cible dans la nouvelle cohorte entra\u00eene l’effondrement imm\u00e9diat du score. Le mod\u00e8le n’avait en effet jamais extrait de r\u00e9gularit\u00e9s statistiques transposables ; il avait simplement appris la distribution marginale a priori du jeu de donn\u00e9es initial.<\/p>\n

2.3 Conditions statistiques imposant l’abandon de l’accuracy conventionnelle<\/h3>\n

L’abandon de l’exactitude brute au profit de m\u00e9triques normalis\u00e9es comme la Balanced Accuracy ne rel\u00e8ve pas d’une pr\u00e9f\u00e9rence stylistique, mais d’une imp\u00e9rieuse n\u00e9cessit\u00e9 math\u00e9matique qui s’impose d\u00e8s lors que certains seuils distributionnels sont franchis. En pratique m\u00e9thodologique, les statisticiens s’accordent \u00e0 consid\u00e9rer que d\u00e8s lors que la pr\u00e9valence de la classe minoritaire descend en dessous de 20 % de l’effectif global (un ratio d’asym\u00e9trie de 4:1 ou plus), l’exactitude standard commence \u00e0 subir une distorsion significative. Lorsque ce ratio atteint ou d\u00e9passe 9:1 (moins de 10 % de cas minoritaires), l’exactitude conventionnelle devient totalement inutilisable pour guider l’entra\u00eenement ou la s\u00e9lection de mod\u00e8les.<\/p>\n

Un deuxi\u00e8me crit\u00e8re statistique d\u00e9terminant concerne la dissym\u00e9trie des matrices de co\u00fbts d’erreur. Si les cons\u00e9quences d’un faux n\u00e9gatif ne sont pas strictement identiques aux cons\u00e9quences d’un faux positif, l’exactitude conventionnelle — qui accorde une p\u00e9nalit\u00e9 identique de 1 \u00e0 toute erreur, quelle que soit la nature de la confusion — s’av\u00e8re conceptuellement invalide. Dans les sciences m\u00e9dicales et humaines, l’asym\u00e9trie des co\u00fbts est la norme absolue : l’omission d’une pathologie l\u00e9tale ou d’un trouble psychologique incapacitant pr\u00e9sente un co\u00fbt sociopsychologique incomparablement sup\u00e9rieur \u00e0 l’\u00e9mission d’une fausse alerte conduisant \u00e0 un second examen non invasif.<\/p>\n

Enfin, les exigences de comparabilit\u00e9 inter-mod\u00e8les \u00e0 travers des jeux de donn\u00e9es h\u00e9t\u00e9rog\u00e8nes imposent l’abandon de la m\u00e9trique classique. Si un chercheur \u00e9value un algorithme sur deux cohortes pr\u00e9sentant des taux de positivit\u00e9 distincts (par exemple 5 % dans un \u00e9chantillon de d\u00e9pistage communautaire et 25 % dans une unit\u00e9 hospitali\u00e8re sp\u00e9cialis\u00e9e), les scores d’exactitude standard obtenus ne peuvent en aucun cas \u00eatre compar\u00e9s pour mesurer la robustesse de l’estimateur. Seule une m\u00e9trique invariante \u00e0 l’\u00e9gard de la pr\u00e9valence des classes, telle que l’exactitude \u00e9quilibr\u00e9e, autorise une comparaison th\u00e9orique rigoureuse.<\/p>\n

3. D\u00e9composition math\u00e9matique et fondements statistiques de la m\u00e9trique<\/h2>\n

3.1 Formalisation de la sensibilit\u00e9 et de la sp\u00e9cificit\u00e9<\/h3>\n

La construction analytique de l’exactitude \u00e9quilibr\u00e9e repose sur l’int\u00e9gration conjointe de deux grandeurs fondamentales de l’\u00e9pid\u00e9miologie math\u00e9matique : la sensibilit\u00e9 (ou taux de vrais positifs) et la sp\u00e9cificit\u00e9 (ou taux de vrais n\u00e9gatifs). Ces m\u00e9triques reposent sur le conditionnement probabiliste strict des d\u00e9cisions de l’algorithme par rapport \u00e0 l’\u00e9tat r\u00e9el et av\u00e9r\u00e9 de la nature.<\/p>\n

Soit $Y in {0, 1}$<\/span> la variable al\u00e9atoire repr\u00e9sentant l’\u00e9tat r\u00e9el de l’observation (o\u00f9 1 d\u00e9signe la condition positive et 0 la condition n\u00e9gative), et soit $\\hat{Y} in {0, 1}$<\/span> la variable al\u00e9atoire d\u00e9signant la pr\u00e9diction \u00e9mise par le mod\u00e8le. La sensibilit\u00e9, formellement synonyme du rappel (Recall<\/em>) de la classe positive, repr\u00e9sente la probabilit\u00e9 conditionnelle que le mod\u00e8le pr\u00e9dise un r\u00e9sultat positif sachant que l’individu est r\u00e9ellement positif :<\/p>\n

$$\\text{Sensibilit\u00e9} = \\text{Recall}_1 = P(\\hat{Y} = 1 mid Y = 1) = \\frac{VP}{VP + FN}$$<\/span><\/p>\n

Cette proportion quantifie l’exhaustivit\u00e9 de l’algorithme face \u00e0 la classe d’int\u00e9r\u00eat. \u00c0 l’oppos\u00e9 du spectre de d\u00e9cision, la sp\u00e9cificit\u00e9 mesure la capacit\u00e9 du classificateur \u00e0 isoler et pr\u00e9server la classe de contr\u00f4le en \u00e9vitant les fausses alarmes. Elle s’exprime comme la probabilit\u00e9 conditionnelle que le mod\u00e8le pr\u00e9dise un r\u00e9sultat n\u00e9gatif sachant que l’individu est effectivement n\u00e9gatif :<\/p>\n

$$\\text{Sp\u00e9cificit\u00e9} = \\text{Recall}_0 = P(\\hat{Y} = 0 mid Y = 0) = \\frac{VN}{VN + FP}$$<\/span><\/p>\n

L’avantage cardinal de ces deux grandeurs r\u00e9side dans leur stricte ind\u00e9pendance alg\u00e9brique vis-\u00e0-vis des effectifs marginaux $N_1$<\/span> et $N_0$<\/span>. La sensibilit\u00e9 est calcul\u00e9e exclusivement sur le sous-ensemble conditionnel $Y = 1$<\/span>, sans que l’ampleur de l’\u00e9chantillon $Y = 0$<\/span> n’intervienne au d\u00e9nominateur ; r\u00e9ciproquement, la sp\u00e9cificit\u00e9 s’\u00e9tablit exclusivement sur la population conditionnelle $Y = 0$<\/span>. Par cons\u00e9quent, aucune variation arbitraire de la proportion globale de cas dans l’\u00e9chantillon ne peut alt\u00e9rer la valeur intrins\u00e8que de ces deux probabilit\u00e9s conditionnelles.<\/p>\n

3.2 L’\u00e9quation de la balanced accuracy en contexte binaire<\/h3>\n

En contexte de classification binaire, l’exactitude \u00e9quilibr\u00e9e (not\u00e9e couramment $BA$<\/span> pour Balanced Accuracy<\/em>) se d\u00e9finit comme la moyenne arithm\u00e9tique simple de la sensibilit\u00e9 et de la sp\u00e9cificit\u00e9. Sa formulation analytique canonique se pr\u00e9sente ainsi :<\/p>\n

$$BA = \\frac{\\text{Sensibilit\u00e9} + \\text{Sp\u00e9cificit\u00e9}}{2} = \\frac{1}{2} \\left( \\frac{VP}{VP + FN} + \\frac{VN}{VN + FP} \\right)$$<\/span><\/p>\n

Cette formulation simple implique une modification conceptuelle majeure : chaque classe d’observations re\u00e7oit un poids \u00e9gal \u00e0 $\\frac{1}{2}$<\/span> dans le score synth\u00e9tique final, ind\u00e9pendamment du nombre absolu d’observations qui la composent dans le jeu de test. L’\u00e9valuation s’op\u00e8re comme si les donn\u00e9es d’\u00e9valuation avaient fait l’objet d’un r\u00e9\u00e9quilibrage virtuel parfait, ramenant la pr\u00e9valence subjective de chaque groupe \u00e0 exactement 50 %.<\/p>\n

Analysons \u00e0 pr\u00e9sent le comportement asymptotique de cette m\u00e9trique lorsqu’elle est soumise au classificateur na\u00eff d\u00e9crit pr\u00e9c\u00e9demment, qui pr\u00e9dit exclusivement la classe majoritaire $C_0$<\/span> sur un \u00e9chantillon pr\u00e9sentant 99 % de cas n\u00e9gatifs et 1 % de cas positifs. Pour un tel mod\u00e8le :<\/p>\n