Matrice de confusion

Un calculateur de matrice de confusion convertit deux suites alignées —les libellés vrais que vous connaissez déjà et les libellés prédits qu’un modèle, un test ou une règle a produits— en les quatre effectifs binaires par lesquels commence tout rapport de classification : vrais positifs, vrais négatifs, faux positifs et faux négatifs. Vous envoyez les tableaux appariés et, lorsque le problème n’est pas un couple évident de deux classes comme un contre zéro, vous nommez la classe positive. Le moteur parcourt chaque indice une seule fois et incrémente la cellule correspondante. Il n’y a ni réseau, ni hasard, ni horloge.

Ce qu’une matrice de confusion compte et pourquoi les quatre cellules importent

Une matrice de confusion binaire est le tableau à quatre cellules qui enregistre comment les prédictions d’un classifieur s’alignent sur les libellés de vérité terrain. Chaque observation appariée tombe dans exactement une cellule. Un vrai positif est un cas dont le libellé vrai est la classe positive et dont le libellé prédit l’est aussi : le modèle a eu raison de donner l’alerte.

Un vrai négatif est un cas dont le libellé vrai n’est pas la classe positive et dont la prédiction ne l’est pas non plus : le modèle a eu raison de rester silencieux. Un faux positif est une erreur de type I, une fausse alerte : le libellé vrai est négatif mais le modèle a prédit positif. Un faux négatif est une erreur de type II, un oubli : le libellé vrai est positif mais le modèle a prédit négatif.

Ces quatre entiers —vrais positifs, vrais négatifs, faux positifs et faux négatifs— sont la matière première de l’exactitude, de la précision, du rappel, de la spécificité, du F1 et de la corrélation de Matthews, mais cette capacité s’arrête aux effectifs afin que vous composiez ces scores dérivés comme l’exige votre rapport. Le parcours est un-contre-reste lorsque vous nommez une classe positive parmi plus de deux libellés : tout autre est traité comme négatif.

L’implémentation est un unique passage déterministe, sans échantillonnage, sans réseau et sans dépendance à la date du jour, ce qui rend les quatre effectifs sûrs à figer dans des goldens et des corrigés. Utilisez-la lorsque vous avez déjà des libellés vrais et prédits alignés et que vous avez besoin des quatre cellules, non d’un tableau multiclasse complet de chaque paire de classes.

Contrat d’entrée, contrôle de longueur et choix de la classe positive

Les nombres et les booléens sont convertis en chaînes pour que le nombre un et le jeton 1 comptent comme le même libellé. Le champ facultatif positive nomme la classe traitée comme cellule positive du tableau deux par deux.

Lorsque vous l’omettez, des paires complémentaires connues telles que 1 et 0, true et false, yes et no, positive et negative, pos et neg, p et n, ou spam et ham sont déduites ; si seul le jeton négatif d’une paire connue apparaît, le nom positif complémentaire est utilisé pour qu’une liste de zéros devienne uniquement des vrais négatifs plutôt qu’un tableau trompeur de vrais positifs.

Pour tout autre problème à deux classes, le dernier libellé distinct dans l’ordre lexicographique est pris comme positif, selon la convention habituelle des libellés triés. Plus de deux libellés distincts sans positive explicite est une erreur, car une matrice à quatre cellules choisirait sinon une classe en silence. En cas de succès, le corps renvoie n, le libellé positif résolu, un libellé negative facultatif lorsqu’exactement un complément est présent, les quatre effectifs et une courte chaîne formula.

Rien n’est conservé après le renvoi de la réponse.

Qui utilise les quatre effectifs de la matrice

Les tutoriels médicaux et de dépistage utilisent les mêmes quatre effectifs pour expliquer sensibilité et spécificité : les vrais positifs sont les patients malades que le test a détectés, les faux négatifs sont les oublis, les faux positifs sont les personnes saines envoyées en suivi, et les vrais négatifs sont les cas correctement écartés. Les files de pourriel, de fraude et de modération surveillent les faux positifs parce que chacun consomme un créneau de relecture humaine, et les faux négatifs parce que chacun est un message qui a fuité.

Un échec de validation ne consomme pas le solde. Gardez les deux listes alignées, nommez la classe positive lorsqu’elle n’est pas évidente, et vous obtenez des TP, TN, FP et FN reproductibles pour les devoirs, la CI et les rapports de production, sans dresser votre propre pile statistique.