Les mesures de la matrice de confusion sont des outils essentiels pour évaluer le rendement des classificateurs supervisés. Elles fournissent des renseignements détaillés sur la façon dont un modèle prédit différentes classes et aident à identifier les domaines à améliorer.

Comprendre la matrice de confusion

La matrice de confusion est un tableau qui résume les résultats de prédiction d'un modèle de classification. Elle affiche les comptes des vrais positifs, des vrais négatifs, des faux positifs et des faux négatifs. Ces valeurs constituent la base pour le calcul de diverses mesures de performance.

Chiffres clés dérivés de la matrice de confusion

Plusieurs mesures peuvent être calculées pour évaluer l'efficacité d'un classificateur :

  • Acquiescement:[ La proportion de prédictions correctes par rapport à toutes les prédictions.
  • Précision: La proportion de vraies prédictions positives parmi toutes les prédictions positives.
  • Recommander: La proportion des positifs réels correctement identifiés par le modèle.
  • F1 Score:[ La moyenne harmonique de précision et de rappel, en équilibrage des deux paramètres.

Calcul des paramètres

Les mesures sont calculées à l'aide des formules suivantes:

Précision = (TP + TN) / (TP + TN + FP + FN)

Précision = TP/ (TP + FP)

Rappel = TP / (TP + FN)

F1 Score = 2 * (Précision * Rappel) / (Précision + Rappel)