Glossaire

Matrice de confusion

Qu’est-ce que Matrice de confusion ?

Une matrice de confusion est un tableau qui compare les prédictions d'un classifieur aux classes réelles. Avec deux classes, elle indique les vrais positifs, faux positifs, vrais négatifs et faux négatifs. On en déduit des indicateurs comme la précision, le rappel et le score F1, et l'on voit quelles erreurs surviennent. Exemple : un filtre anti-spam qui classe beaucoup de vrais e-mails comme spam produit de nombreux faux positifs, souvent plus coûteux qu'un spam non détecté.

Thèmes

Évaluation de modèles
Classification
Indicateurs

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

F-score (mesure F1)

Le F-score est un indicateur d’évaluation des modèles de classification. La mesure F1, la plus courante, est la moyenne harmonique de la précision (part des résultats trouvés qui sont corrects) et du rappel (part des cas réels qui ont été trouvés) ; elle varie entre 0 et 1. Elle est particulièrement utile avec des données déséquilibrées : un filtre antispam qui ne signale presque jamais de spam peut afficher une exactitude élevée mais un F1 faible.

Métrique d’évaluation
Classification
+1

Rappel en apprentissage automatique

Le rappel (recall, sensibilité) mesure la part des cas réellement positifs qu'un modèle détecte : vrais positifs divisés par l'ensemble des positifs réels. Si un filtre antifraude repère 80 fraudes sur 100 réelles, son rappel est de 0,8. Un rappel élevé est essentiel lorsque les cas manqués coûtent cher, par exemple en diagnostic médical. Comme il ignore les fausses alertes, on l'examine généralement avec la précision, par exemple dans le F-score.

métrique
évaluation de modèles
+1

Classifieur

Un classifieur est un modèle ou une méthode qui attribue une entrée à l'une de plusieurs catégories prédéfinies. Les variantes classiques, comme les arbres de décision ou le Naive Bayes, sont entraînées sur des exemples étiquetés ; les modèles de langage peuvent aussi classer des textes à partir d'une description des catégories. Usages typiques : détection de spam, tri des demandes clients par thème ou classement de justificatifs. La qualité se mesure avec des indicateurs comme l'exactitude, la précision et le rappel.

Classification
Apprentissage automatique
+1

Modèle

Courbe ROC

La courbe ROC (receiver operating characteristic) montre dans quelle mesure un modèle de classification sépare deux classes. Pour chaque seuil de décision possible, elle représente le taux de vrais positifs (rappel) en fonction du taux de fausses alertes. Plus la courbe s'approche du coin supérieur gauche, meilleur est le modèle ; la diagonale correspond au hasard. L'aire sous la courbe (AUC) la résume en un seul chiffre et aide par exemple à comparer plusieurs modèles de détection de fraude.

métrique
évaluation de modèles
+1