La précision masque les problèmes. Une matrice de confusion les révèle. Ce tableau croise les étiquettes prédites avec les étiquettes réelles, montrant précisément les points forts et les points faibles d'un classificateur.

Les lignes représentent généralement les classes réelles et les colonnes les prédictions. La diagonale contient les classifications correctes. Les cellules hors diagonale indiquent des erreurs spécifiques, comme des tumeurs bénignes prédites comme malignes. Les tendances observées dans ces cellules permettent d'améliorer le système.

Métriques dérivées

• Précision : parmi les prédictions positives, combien sont correctes ?
• Rappelons que, parmi les cas positifs avérés, combien ont été trouvés
• Spécificité, taux de vrais négatifs
• Score F1, moyenne harmonique de la précision et du rappel

Le déséquilibre des classes rend la matrice essentielle. Lorsqu'une classe domine, la précision semble élevée tandis que la classe minoritaire est ignorée. La matrice révèle si le modèle apprend réellement ou s'il se contente de prédire l'étiquette majoritaire.