Matrice de confusion

La matrice de confusion est un tableau qui résume les performances d'un modèle de classification en croisant ses prédictions avec la réalité. Pour une classification binaire, c'est un tableau 2×2 dont les quatre cases sont : les vrais positifs (cas positifs correctement prédits positifs), les vrais négatifs (négatifs prédits négatifs), les faux positifs (négatifs prédits positifs à tort, les « fausses alertes ») et les faux négatifs (positifs ratés). Elle offre une vue bien plus riche que la simple exactitude (accuracy), car elle montre QUELS types d'erreurs le modèle commet. La plupart des métriques d'évaluation — précision, rappel, score F1, spécificité — se calculent directement à partir de ses quatre valeurs. Pour un problème à plusieurs classes, la matrice s'agrandit (une ligne et une colonne par classe), et sa diagonale représente les prédictions correctes.