GUIDE des fondamentaux
Matrices de confusion
Une matrice de confusion est un tableau simple qui divise les prédictions d'un classificateur en nombres corrects et incorrects pour chaque classe.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Il s’agit du tableau de bord brut à partir duquel presque toutes les autres mesures de classification sont calculées.
Plongée profonde
Une matrice de confusion est une grille comparant les étiquettes prédites aux étiquettes réelles. Pour la classification binaire, il comporte quatre cellules : les vrais positifs (positifs correctement prédits), les vrais négatifs (négatifs correctement prédits), les faux positifs (les négatifs signalés à tort comme positifs, une « erreur de type I ») et les faux négatifs (positifs manqués, une « erreur de type II »). À partir de ces quatre nombres, vous dérivez l'exactitude ((TP+TN)/total), la précision (TP/(TP+FP)), le rappel ou la sensibilité (TP/(TP+FN)), la spécificité (TN/(TN+FP)) et le score F1 (la moyenne harmonique de la précision et du rappel). Pour les problèmes comportant plus de deux classes, la matrice devient N par N, où la diagonale contient les prédictions correctes et les cellules hors diagonale révèlent exactement quelles classes sont confondues avec quelles autres.
Mise en œuvre dans le monde réel
Diagnostiquer les échecs d'un classificateur d'images en constatant qu'il confond fréquemment les huskies avec les loups dans les cellules hors diagonale
Audit d'un outil de dépistage médical en examinant les faux négatifs - patients atteints de la maladie que le modèle a déclarée en bonne santé
Comparaison de deux filtres anti-spam qui partagent la même précision mais diffèrent par le nombre d'e-mails réels qu'ils bloquent à tort (faux positifs)
Évaluation d'un outil de reconnaissance de chiffres manuscrits multiclasse pour découvrir que les 4 et les 9 sont le plus souvent confondus
L'avenir des matrices de confusion
Les matrices de confusion resteront fondamentales, mais les outils les rendent plus riches : des cartes thermiques interactives et normalisées, des répartitions par classe pour les grands ensembles d'étiquettes et des matrices pondérées par les coûts qui multiplient chaque type d'erreur par sa pénalité réelle. Dans le cadre des audits d’équité, les praticiens calculent désormais des matrices de confusion distinctes par sous-groupe démographique pour exposer des taux d’erreur inégaux. Attendez-vous à une intégration continue dans les tableaux de bord de modèles où un clic sur une cellule fait apparaître les exemples mal classés pour inspection.
Le mettre en pratique
Pourquoi c'est important
- Décisions plus claires. Il vous aide à séparer les affirmations techniques claires du langage marketing.
- Coût et budget. Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
- Équipe et flux de travail. Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
Attention à
- Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
- Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
- Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Prochaines étapes
- Commencez par une définition en langage simple du résultat dont vous avez besoin.
- Choisissez une mesure de réussite et une condition d’échec avant de tester.
- Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
- Documentez où les matrices de confusion sont utiles et où les méthodes plus simples sont meilleures.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Confusion Matrices quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu’est-ce que les matrices de confusion ?
Une matrice de confusion est un tableau simple qui divise les prédictions d'un classificateur en nombres corrects et incorrects pour chaque classe. Il s’agit du tableau de bord brut à partir duquel presque toutes les autres mesures de classification sont calculées.
Dans une matrice de confusion binaire, qu’est-ce qu’un faux négatif ?
Un faux négatif est un réel positif que le modèle a manqué en le qualifiant de négatif – par exemple, un patient malade déclaré en bonne santé.
Quelle métrique mesure la proportion de positifs réels que le modèle identifie correctement ?
Le rappel (également appelé sensibilité ou taux de vrais positifs) est TP / (TP + FN) — la part des vrais positifs détectés par le modèle.
Dans une matrice de confusion pour un problème à 5 classes, que représentent les cellules diagonales ?
Dans une matrice N par N, la diagonale contient les cas où la classe prédite correspond à la vraie classe, c'est-à-dire les prédictions correctes.
Pourquoi la précision seule peut-elle être trompeuse sans matrice de confusion ?
Deux modèles ayant la même précision peuvent répartir leurs erreurs de manière très différente ; la matrice de confusion indique si les erreurs sont principalement de fausses alarmes ou des positifs manqués.
Le score F1 est la moyenne harmonique de quelles deux métriques ?
F1 combine précision et rappel en un seul chiffre utilisant la moyenne harmonique, ce qui pénalise les grands déséquilibres entre les deux.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet