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.
Aperçu
It is the raw scoreboard from which nearly every other classification metric is calculated.
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.
Aperçu technique
Le pouvoir de la matrice réside dans le fait qu’elle préserve la structure des erreurs cachée par un seul chiffre de précision. Deux modèles avec une précision identique de 90 % peuvent avoir des taux de faux négatifs très différents, ce qui est extrêmement important lorsqu'un diagnostic de cancer manqué coûte plus cher qu'une fausse alerte. Par convention, les lignes représentent souvent de vraies classes et les colonnes des classes prédites (bien que certaines bibliothèques inversent cela), donc vérifiez toujours les étiquettes des axes avant de calculer la précision par rapport au rappel des cellules.
Impact stratégique
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.
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.
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
Risques et garde-fous
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.
Feuille de route de mise en œuvre
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Confusion Matrices quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
Validation croisée
Questions fréquemment posées
What is Confusion Matrices?
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.