Qu'est-ce que Matrice de confusion ?

Tableau qui compte le nombre de données pour chaque combinaison de prédiction d'un modèle de classification et de bonne réponse réelle. En classification binaire, il comporte quatre cases : les vrais positifs (TP), positifs correctement classés positifs ; les faux positifs (FP), négatifs classés à tort positifs ; les faux négatifs (FN), positifs classés à tort négatifs ; et les vrais négatifs (TN), négatifs correctement classés négatifs. On en déduit l'exactitude, la précision, le rappel, le score F1, etc., et l'on voit quelles classes sont souvent confondues entre elles.

Nom japonais: 混同行列

« Matrice de confusion » apparaît dans 1 questions d'entraînement réparties sur 1 thèmes, dont Bases de l'apprentissage automatique.

Domaine: Bases de l'apprentissage automatique

S'entraîner : questions sur Matrice de confusion

Dans la matrice de confusion d'un modèle de classification binaire évalué sur 200 données de test, on compte 45 vrais positifs (TP), 5 faux positifs (FP), 45 faux négatifs (FN) et 105 vrais négatifs (TN). Quelle combinaison de précision et de rappel est correcte ?

APrécision 0,50, rappel 0,90
BPrécision 0,75, rappel 0,50
CPrécision 0,90, rappel 0,50

Afficher la réponse et l'explication

Réponse : C. Précision 0,90, rappel 0,50

La précision est la proportion de vrais positifs parmi les cas prédits positifs : TP ÷ (TP + FP) = 45 ÷ 50 = 0,90. Le rappel (recall) est la proportion de cas réellement positifs que le modèle a prédits positifs : TP ÷ (TP + FN) = 45 ÷ 90 = 0,50. Ce modèle a presque toujours raison quand il conclut à un positif, mais il manque la moitié des positifs. L'exactitude (accuracy) vaut (45 + 105) ÷ 200 = 0,75.

Questions mentionnant « Matrice de confusion » (1)

Dans la matrice de confusion d'un modèle de classification binaire évalué sur 200 données de test, on compte 45 vrais positifs (TP), 5 faux positifs (FP), 45 faux négatifs (FN) et 105 vrais négatifs (TN). Quelle combinaison de précision et de rappel est correcte ?

Termes associés

Précision et rappel (precision and recall) Algorithme des k-moyennes (k-means) Analyse en composantes principales (ACP) Apprentissage non supervisé Apprentissage par renforcement Apprentissage par transfert (transfer learning) Apprentissage supervisé Descente de gradient (gradient descent) Fonction d'activation Régularisation

Retour au glossaire