Matrice de Confusion

Une matrice de confusion, aussi appelée matrice d'erreur, est un tableau de 4 cases comportant 4 valeurs essentielles pour évaluer statistiquement un résultat. Généralement, issu d'une classification et/ou d'un algorithme d'intelligence artificelle.

Les 4 valeurs sont :

— le nombre de vrais positifs (VP ou TP)

— le nombre de faux positifs (FP)

— le nombre de vrai négatifs (VN ou TN)

— le nombre de faux négatifs (FN)

Les 4 valeurs de la matrice de confusion permettent de calculer 8 autres valeurs d'intérêt statistique :

— le taux de vrais positifs TPR, aussi appelé sensibilité ou rappel TPR = TP / (TP + FN)

— le taux de vrais négatifs FPR, aussi appelé spécificité FPR = TN / (FP + TN)

— la valeur prédictive positive PPV = TP / (TP + FP)

— la valeur prédictive négative NPV = TN / (TN + FN)

— le taux de faux positifs FPR = FP / (FP + TN)

— le taux de faux négatifs FNR = FN / (FN + TP)

— le taux de fausses découvertes FDR = FP / (FP + TP)

— le taux de fausses omissions FOR = FN / (FN + TN)

De plus, des indicateurs complémentaires peuvent êtres utiles comme l'exactitude ou le score F1.