Matrice de Confusion

En machine learning, une matrice de confusion est un outil essentiel utilisé pour évaluer la performance d'un modèle de classification. Cette matrice encapsule efficacement les prédictions du modèle, les confrontant aux résultats réels.

Dans scikit-learn, la création d'une matrice de confusion est facilitée par la fonction confusion_matrix, située dans le module sklearn.metrics. Cette fonction requiert deux entrées essentielles : les vraies étiquettes et les étiquettes prédites, produisant une matrice carrée où les lignes et les colonnes correspondent à ces étiquettes.

Le cœur de la matrice de confusion se compose de quatre valeurs clés : vrais positifs (TP), faux positifs (FP), vrais négatifs (TN) et faux négatifs (FN). Ces valeurs sont essentielles pour quantifier la précision prédictive du modèle, en différenciant les prévisions correctes des erreurs.

De plus, cette matrice est fondamentale dans le calcul de mesures critiques telles que l'exactitude, la précision, le rappel et le score F1. Par exemple, l'exactitude est dérivée de la formule : (TP + TN) / (TP + TN + FP + FN).