Imaginez un détecteur de spam : il ne suffit pas de savoir qu'il se trompe « 5 fois sur 100 », encore faut-il savoir s'il laisse passer des spams ou s'il bloque vos vrais courriels. La matrice de confusion est précisément ce tableau de bord : elle croise les prédictions du modèle avec la réalité, ventilant chaque décision selon qu'elle est juste ou fausse, et de quelle manière.
Anatomie d'une matrice binaire
Pour une classification à deux classes (positif/négatif), elle se résume à quatre cases :
| Prédit Positif | Prédit Négatif | |
|---|---|---|
| Réel Positif | Vrai Positif (VP) | Faux Négatif (FN) |
| Réel Négatif | Faux Positif (FP) | Vrai Négatif (VN) |
Les faux positifs sont les fausses alertes ; les faux négatifs, les cas manqués. Cette distinction est cruciale : en oncologie, un FN (cancer non détecté) est bien plus grave qu'un FP.
Les métriques qui en découlent
De ces quatre nombres naissent les indicateurs essentiels :
$$\text{Précision} = \frac{VP}{VP + FP} \qquad \text{Rappel} = \frac{VP}{VP + FN}$$
$$\text{Exactitude} = \frac{VP + VN}{VP + VN + FP + FN}$$
- La précision répond à : « parmi mes alertes, combien sont justes ? »
- Le rappel répond à : « parmi les vrais cas, combien ai-je trouvés ? »
- L'exactitude seule est trompeuse sur des données déséquilibrées.
Pourquoi c'est indispensable
Sur un jeu où 99 % des cas sont négatifs, un modèle qui dit toujours « négatif » atteint 99 % d'exactitude tout en étant inutile. La matrice démasque immédiatement cette illusion.
Une bonne exactitude rassure ; une matrice de confusion, elle, dit la vérité.