Métriques de la Matrice de Confusion
Matrice de confusion Metrics are a set of métriques d’évaluation used to assess the performance of classification models in apprentissage automatique and intelligence artificielle. They provide a comprehensive view of how well a model is performing by breaking down the results into different categories based on the predicted and actual classifications.
Une matrice de confusion elle-même est un tableau qui résume les résultats d’un problème de classification, montrant le nombre de prédictions correctes et incorrectes décomposées par classe. Les principaux composants de la matrice de confusion incluent :
- Vrais Positifs (VP): The number of instances correctly predicted as positive.
- Vrais négatifs (TN): The number of instances correctly predicted as negative.
- Faux positifs (FP): The number of instances incorrectly predicted as positive (also known as Type I error).
- Faux Négatifs (FN): The number of instances incorrectly predicted as negative (also known as Type II error).
À partir de ces valeurs, plusieurs métriques clés peuvent être dérivées :
- Précision: The proportion of true results (both true positives and true negatives) among the total number of cases examined.
- Précision: The ratio of true positives to the sum of true positives and false positives, indicating the accuracy of positive predictions.
- Rappel (Sensibilité): The ratio of true positives to the sum of true positives and false negatives, reflecting the model’s ability to identify positive instances.
- Score F1: The moyenne harmonique de la précision et du rappel, fournissant une métrique unique qui équilibre les deux préoccupations.
En analysant ces métriques, les praticiens peuvent obtenir des insights sur les forces et faiblesses de leurs modèles de classification, guidant ainsi de futures améliorations et ajustements.