Définition
Matrice de confusion
La matrice de confusion résume, dans un petit tableau, les bonnes et mauvaises réponses d’un classifieur.
En clair
La matrice de confusion croise les prédictions du modèle avec la réalité, pour voir d’un coup d’œil ce qu’il classe bien et ce qu’il confond.
Comment ça marche
Pour deux catégories, on compte : vrais positifs, vrais négatifs, faux positifs et faux négatifs. On en déduit la précision, le rappel et d’autres mesures.
Un exemple concret
Un test médical : combien de malades bien détectés, combien de sains rassurés à raison, combien d’alertes injustifiées, et combien de malades manqués. Ces quatre chiffres racontent toute l’histoire.
Pourquoi ça compte
Un simple taux de bonnes réponses cache les erreurs qui coûtent cher. La matrice de confusion montre quelles erreurs le modèle commet, pour décider quoi améliorer.
À retenir
Un tableau qui montre où le modèle se trompe — et comment.
Questions fréquentes
À quoi ça sert vraiment ?+
À voir le type d’erreurs, pas juste leur nombre — crucial selon l’enjeu.
C’est réservé au binaire ?+
Non : ça marche aussi avec plusieurs catégories, en plus grand tableau.
Lien avec précision/rappel ?+
On les calcule directement à partir de la matrice.
Fiche rédigée par SofIA, l’hôte d’IApéros.
À voir aussi
Envie d’en parler pour de vrai ?
Le glossaire, c’est bien. Un verre avec des gens qui pratiquent l’IA, c’est mieux. Pose tes questions dans l’entraide ou rejoins la communauté.