Matrice de Confusion

Une matrice de confusion, aussi appelée matrice d'erreur, est un outil d'évaluation souvent présenté comme un tableau de 4 cases comportant 4 valeurs essentielles pour mesurer/évaluer statistiquement un résultat. Généralement, issu d'une modèle de classification et/ou d'un algorithme d'intelligence artificelle.

Les 4 valeurs sont :

— le nombre de vrais positifs (VP ou TP) : le nombre d'observations correctement prédites en tant que positives.

— le nombre de faux positifs (FP) : le nombre d'observations réelles négatives incorrectement prédites comme positives.

— le nombre de vrai négatifs (VN ou TN) : le nombre d'observations correctement prédites en tant que négatives.

— le nombre de faux négatifs (FN) : le nombre d'observations réelles positives incorrectement prédites comme négatives.

Les 4 valeurs de la matrice de confusion permettent de calculer plusieurs autres valeurs d'intérêt statistique :

— le taux de vrais positifs TPR, aussi appelé sensibilité ou rappel, TPR = TP / (TP + FN)

— le taux de vrais négatifs FPR, aussi appelé spécificité, FPR = TN / (FP + TN)

— la valeur prédictive positive, aussi appelé précision, PPV = TP / (TP + FP)

— la valeur prédictive négative, NPV = TN / (TN + FN)

— le taux de faux positifs, FPR = FP / (FP + TN)

— le taux de faux négatifs, FNR = FN / (FN + TP)

— le taux de fausses découvertes, FDR = FP / (FP + TP)

— le taux de fausses omissions, FOR = FN / (FN + TN)

De plus, des indicateurs complémentaires peuvent êtres utiles comme l'exactitude ou le score F1.

En fournissant une vision détaillée des erreurs de classification, la Matrice de Confusion aide à comprendre les forces et faiblesses du modèle, renforçant ainsi l'interprétabilité des résultats.