La matrice de confusion décodée
Vrais et faux positifs et négatifs
La matrice de confusion décodée est une leçon Data Science Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Data Science Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Data Science Academy comprend 4 leçons au total.
Au-delà d’un seul nombre
Pour les classificateurs, un seul score de précision masque trop de choses. La matrice de confusion montre exactement quelles prédictions étaient correctes et lesquelles étaient erronées. 🧩
Une grille simple
La matrice est une petite grille : les lignes correspondent aux classes réelles et les colonnes aux classes prédites. Chaque cellule compte le nombre de fois où cette association s’est produite.
from sklearn.metrics import confusion_matrix
confusion_matrix(y_true, y_pred)Vrais positifs
Un vrai positif correspond au cas où le modèle répond oui et où la réponse est effectivement oui. Ce sont les réussites que vous cherchez à maximiser.
Vrais négatifs
Un vrai négatif correspond au cas où le modèle répond non et où la réalité est également non. Le modèle a correctement écarté ce cas.
Faux positifs
Un faux positif est une fausse alerte : le modèle a prédit oui, mais la réalité était non. Imaginez qu’un patient en bonne santé soit déclaré malade.
Faux négatifs
Un faux négatif est un cas manqué : le modèle a répondu non alors que la réalité était oui. Imaginez qu’une véritable fraude passe inaperçue.
Deux types d’erreurs
Remarquez que les deux types d’erreurs n’ont pas le même coût. Un faux positif et un faux négatif ont rarement la même importance ; la matrice les distingue donc.
Où se trouve la précision
La précision correspond simplement au nombre de cellules correctes divisé par le total. C’est la diagonale divisée par l’ensemble des cellules, ce qui explique pourquoi elle peut masquer les erreurs rares.
accuracy = (TP + TN) / (TP + TN + FP + FN)Lire les cellules hors diagonale
Les cellules les plus utiles se trouvent hors de la diagonale : elles montrent dans quels cas le modèle confond une classe avec une autre et indiquent ses points faibles.
L’observer sous forme de carte thermique
Lorsque le nombre de classes est élevé, représentez la matrice sous forme de carte thermique. Les carrés lumineux hors diagonale révèlent immédiatement les étiquettes qui sont le plus souvent confondues.
from sklearn.metrics import ConfusionMatrixDisplay
ConfusionMatrixDisplay.from_predictions(y_true, y_pred)La base de vos métriques
Presque toutes les métriques de classification sont construites à partir de ces quatre décomptes. Maîtrisez la matrice de confusion et le reste viendra naturellement.
Vérification rapide
Vérifions que chaque cellule de la matrice est parfaitement claire.
Récapitulatif
La matrice de confusion répartit les résultats entre vrais et faux, positifs et négatifs. Ces quatre décomptes alimentent toutes les métriques de classification. 🎯
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « La matrice de confusion décodée » est-elle gratuite ?
Oui — le texte complet de « La matrice de confusion décodée » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Data Science Academy, passe à CoddyKit PRO. Le cours Data Science Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « La matrice de confusion décodée » ?
Vrais et faux positifs et négatifs Tu pratiques Data Science Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Data Science Academy ?
Aucune expérience préalable n'est requise. Data Science Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « La matrice de confusion décodée » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Data Science Academy ?
Oui. Chaque leçon Data Science Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Métriques de régression : MAE, MSE, R2
- La matrice de confusion décodée
- Précision, rappel et F1
- ROC, AUC et seuils