Lire la matrice de confusion

La matrice de confusion est un petit tableau qui présente chaque prédiction selon la réalité et votre réponse. Elle révèle précisément où se trouvent les erreurs.

Les lignes correspondent aux étiquettes réelles et les colonnes aux étiquettes prédites. Chaque cellule compte le nombre d’exemples correspondant à cette combinaison du réel et du prédit.

Pour deux classes, vous obtenez quatre comptages : les vrais positifs, les vrais négatifs et les deux types d’erreurs. Toutes les métriques que vous connaissez sont construites à partir de ces valeurs.

Un vrai positif est un positif réel que vous avez correctement signalé, comme un véritable spam directement envoyé dans le dossier des spams. Une réussite nette.

Un vrai négatif est un négatif réel que vous avez correctement laissé tranquille, comme un courriel normal qui reste en toute sécurité dans la boîte de réception.

Un faux positif est une fausse alerte : vous avez signalé quelque chose qui était en réalité négatif, comme un vrai courriel marqué à tort comme spam.

Un faux négatif est un cas manqué : vous avez laissé passer un vrai positif, comme un spam qui arrive dans la boîte de réception sans être signalé.

Les prédictions correctes se trouvent sur la diagonale. Un modèle performant y concentre les comptes et laisse les cellules hors diagonale presque vides.

scikit-learn assemble la matrice à partir de vos étiquettes réelles et prédites en un seul appel.

Une matrice représentée graphiquement fait ressortir les erreurs : vous voyez instantanément quelle classe est confondue avec quelle autre.

Lisez les cellules hors diagonale pour trouver l’angle mort du modèle. Par exemple, un nombre élevé de faux négatifs vous avertit que de vrais positifs ne sont pas détectés.

La matrice de confusion répartit les résultats dans quatre cellules. La diagonale contient les bonnes prédictions ; les cellules hors diagonale révèlent précisément les erreurs du modèle. 🔍