Métriques complémentaires pour évaluer les modèles de classification binaire au-delà de la simple accuracy. Precision : parmi toutes les prédictions positives, quelle fraction est correcte (TP / (TP + FP)) — mesure la pertinence des alertes. Recall (sensibilité) : parmi tous les vrais positifs, quelle fraction est détectée (TP / (TP + FN)) — mesure la complétude. Le F1-score est la moyenne harmonique de la precision et du recall (2 × P × R / (P + R)), utile quand les classes sont déséquilibrées. Le trade-off precision/recall dépend du seuil de décision : baisser le seuil augmente le recall mais diminue la precision. Exemple : en détection de fraude, un recall élevé (ne rater aucune fraude) est prioritaire même au prix d'une precision plus faible (fausses alertes acceptables).