Calculateur de matrice de confusion

Fonctionnement

Une matrice de confusion est un tableau qui compare les classes prédites aux résultats réels. Elle montre combien de prédictions appartiennent à chaque catégorie possible,y compris les résultats corrects et les différents types d’erreurs. De cette façon,elle fournit plus d’informations qu’un simple score global.
À partir de ce tableau,quatre valeurs fondamentales sont extraites. Les vrais positifs et les vrais négatifs représentent les prédictions correctes. Les faux positifs et les faux négatifs représentent les différents types d’erreurs.
Le calculateur de matrice de confusion utilise ces quatre valeurs comme entrées. Une fois saisies,l’outil calcule les indicateurs de performance. L’exactitude donne une vue d’ensemble de la justesse globale. La précision et le rappel expliquent l’équilibre entre les différents types d’erreurs. En parallèle,les métriques basées sur des taux montrent comment les prédictions se comportent pour chaque classe. Autrement dit,le calculateur de matrice de confusion convertit des comptages simples en indicateurs significatifs sur le comportement du modèle.

Formules

Le calculateur de matrice de confusion utilise les formules suivantes pour produire les résultats:

Où:

• Vrais positifs(TP)désignent les cas correctement prédits comme positifs
• Faux positifs(FP)sont les cas prédits comme positifs mais réellement négatifs
• Faux négatifs(FN)sont les cas prédits comme négatifs mais réellement positifs
• Vrais négatifs(TN)sont les cas correctement prédits comme négatifs

Exemple

Supposons qu’un modèle de classification binaire produise les résultats suivants:

• TP=80
• FP=20
• FN=10
• TN=90

Exactitude→(80+90)÷(80+20+10+90)=0,85
Cela signifie que 85% de toutes les prédictions sont correctes.

Précision→80÷(80+20)=0,8
Ainsi,une prédiction positive sur cinq est incorrecte.

Rappel→80÷(80+10)=0,89
Cela montre que la majorité des cas positifs ont été détectés.

En utilisant la précision et le rappel,le score F1 devient:
Score F1→2×(0,8×0,89)÷(0,8+0,89)=0,842

Les métriques basées sur des taux apportent un contexte supplémentaire:
Taux de vrais positifs→80÷(80+10)=0,889
Taux de faux négatifs→10÷(80+10)=0,111
Taux de faux positifs→20÷(20+90)=0,182
Taux de vrais négatifs→90÷(20+90)=0,818
Taux de fausses découvertes→20÷(80+20)=0,2

Enfin,le coefficient de corrélation de Matthews est calculé comme suit:
MCC→(80×90−20×10)÷√((80+20)×(80+10)×(90+20)×(90+10))=0,7

Pourquoi les métriques de la matrice de confusion sont importantes en pratique

Les métriques de la matrice de confusion sont importantes car toutes les erreurs n’ont pas les mêmes conséquences. Un modèle peut afficher une exactitude élevée tout en produisant des erreurs critiques. Cela se produit lorsqu’un type d’erreur domine les résultats.
Par exemple,un modèle avec un rappel élevé mais une précision faible détecte la plupart des cas positifs,mais génère aussi de nombreuses fausses alertes. À l’inverse,une précision élevée avec un rappel faible conduit à des prédictions prudentes,mais de nombreux cas réels sont manqués. En raison de ce compromis,examiner une seule métrique isolément n’est pas suffisant.
Les métriques basées sur des taux ajoutent un niveau supplémentaire de compréhension. Elles montrent comment les erreurs évoluent relativement à chaque classe,ce qui rend les comparaisons entre modèles plus fiables. Le coefficient de corrélation de Matthews fournit quant à lui un score de synthèse stable. En pratique,ces indicateurs soutiennent l’ajustement des seuils et des décisions d’évaluation plus sûres.

FAQ

1. Que montre une matrice de confusion?
   Elle indique combien de fois un modèle a prédit chaque classe correctement ou incorrectement. Plus précisément,elle compte les cas positifs prédits comme positifs,les négatifs prédits comme négatifs,ainsi que chaque type d’erreur.
2. Pourquoi ne pas se fier uniquement à l’exactitude?
   L’exactitude masque la répartition des erreurs. Un modèle peut obtenir un score élevé tout en manquant des cas importants ou en produisant des positifs trompeurs. C’est pourquoi des métriques supplémentaires sont nécessaires pour interpréter correctement la performance.
3. Quand faut-il se concentrer sur le rappel?
   Le rappel est crucial lorsque le fait de manquer un cas positif a des conséquences graves. Dans ces situations,détecter le plus grand nombre possible de cas réels est prioritaire,même si cela génère des faux positifs.
4. Que représente le coefficient de corrélation de Matthews?
   Il mesure dans quelle mesure les prédictions sont corrélées aux résultats réels. Contrairement à l’exactitude,il reste informatif lorsque les tailles des classes sont déséquilibrées. Pour cette raison,les data scientists l’utilisent souvent pour comparer les modèles de manière équilibrée.
5. Cet outil peut-il être réutilisé pour différents jeux de données?
   Oui. Tout résultat de classification binaire fournissant des vrais positifs,faux positifs,faux négatifs et vrais négatifs peut être évalué à l’aide du calculateur de matrice de confusion.

En résumé,le calculateur de matrice de confusion aide à interpréter les résultats de classification binaire de manière directe. Il automatise le calcul des indicateurs de performance,ce qui vous permet de vous concentrer sur l’analyse plutôt que sur les formules. Saisissez les valeurs de votre matrice de confusion dans le calculateur et consultez l’ensemble des métriques de performance en un seul endroit,en toute simplicité.