Générateur de matrices de confusion

Qu'est-ce qu'une matrice de confusion ?

La matrice de confusion compare les classes réelles et les classes prédites par un modèle de classification. Elle permet d'identifier précisément la nature des erreurs de prédiction, là où un simple score d'exactitude globale (accuracy) masquerait les faiblesses du modèle. La diagonale principale regroupe les prédictions correctes.

Structure des données pour la matrice de confusion

• Importez les étiquettes réelles et prédites ligne par ligne, ou directement une table carrée de contingence.
• Utilisez exactement les mêmes noms de classes et le même ordre pour les lignes et les colonnes.
• N'intégrez des poids d'échantillonnage que si votre protocole d'évaluation l'exige.
• Précisez si les cellules affichent des effectifs bruts, des pourcentages en ligne, des pourcentages en colonne ou des proportions globales.

Exemples d'applications en recherche

• Exemple de matrice de confusion binaire
• Matrice de confusion multiclasse
• Matrice de confusion normalisée
• Carte thermique de confusion
• Matrice de confusion en machine learning
• Matrice avec précision et rappel

Pourquoi utiliser une matrice de confusion pour évaluer un modèle ?

• Identifier précisément quelles classes génèrent le plus de faux positifs et de faux négatifs.
• Détecter un biais de classification lorsque l'exactitude globale est élevée mais que les classes minoritaires sont mal prédites.
• Comparer les effectifs bruts avec les taux normalisés par classe.
• Générer une figure d'évaluation reproductible à partir de vos prédictions exportées.

Comment utiliser Générateur de matrices de confusion

Choisissez un exemple ou importez un fichier CSV, TSV, TXT, XLSX ou XLS. Vérifiez les colonnes détectées, générez le graphique, puis modifiez-le dans SciVis. Pour Excel, la première feuille est importée.

Éléments indispensables d'une matrice de confusion claire

• Des axes explicitement nommés « Classe réelle » (Actual) et « Classe prédite » (Predicted).
• Des noms de classes ordonnés de manière identique sur les deux axes.
• Les valeurs numériques affichées dans chaque cellule, complétées par une échelle de couleurs séquentielle lisible.
• Une légende ou légende de figure précisant le jeu de test, la méthode de normalisation et l'effectif total (N).

Matrice de confusion ou courbe ROC ?

Utilisez une matrice de confusion pour analyser les performances de classification à un seuil de décision fixe. Utilisez une courbe ROC ou une courbe Précision-Rappel pour évaluer le comportement du modèle sur l'ensemble des seuils possibles. En cas de données déséquilibrées, la courbe Précision-Rappel est souvent plus informative.