Qu'est-ce qu'une matrice de confusion ?
Une matrice de confusion est un tableau utilisé pour évaluer la performance d'une classification algorithm. It provides a comprehensive view of how well the model is performing by summarizing the results of predictions made par le modèle.
Composants d'une matrice de confusion
Une matrice de confusion se compose généralement de quatre composants clés :
- Vrais Positifs (VP) : Le nombre d'instances correctement prédites comme positives.
- Vrais Négatifs (VN) : Le nombre d'instances correctement prédites comme négatives.
- 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).
Comprendre la matrice
La structure d'une matrice de confusion peut être illustrée comme suit :
Predicted Positive Predicted Negative
Actual Positive TP FN
Actual Negative FP TNThis layout helps in visualizing the performance of the classification model, allowing for the calculation of various métriques de performance.
Métriques de performance
À partir des valeurs dans la matrice de confusion, plusieurs métriques de performance importantes peuvent être dérivées :
- Précision: (Vrai Positifs + Vrai Négatifs) / (Vrai Positifs + Vrai Négatifs + Faux Positifs + Faux Négatifs)
- Précision: Vrai Positifs / (Vrai Positifs + Faux Positifs)
- Rappel (Sensibilité) : Vrai Positifs / (Vrai Positifs + Faux Négatifs)
- Score F1: 2 * (Précision * Rappel) / (Précision + Rappel)
Ces métriques aident à déterminer la performance d'un modèle en termes d'identification correcte des instances positives et négatives. Une matrice de confusion bien construite est essentielle pour comprendre les forces et faiblesses d'un modèle de classification.