Contenu
Q:
Pourquoi une matrice de confusion est-elle utile en ML?
UNE:
Il existe un certain nombre de façons de dire pourquoi une matrice de confusion est précieuse en apprentissage machine (ML) - mais l’une des manières les plus simples consiste à expliquer que la matrice de confusion est une ressource de visualisation de données.
Une matrice de confusion permet aux téléspectateurs de voir d'un coup d'œil les résultats de l'utilisation d'un classificateur ou d'un autre algorithme. En utilisant un simple tableau pour afficher les résultats analytiques, la matrice de confusion résume essentiellement vos résultats dans une vue plus digeste.
La matrice de confusion utilise une terminologie spécifique pour organiser les résultats. Il existe des vrais positifs et des vrais négatifs, ainsi que des faux positifs et des faux négatifs. Pour une matrice de confusion plus complexe ou basée sur la classification de comparaison, ces valeurs peuvent être présentées comme des classes réelles et prédites pour deux objets distincts.
Indépendamment de la terminologie sémantique, les résultats sont regroupés dans une table carrée (ou rectangulaire).
Cette vue permet aux analystes de voir plus facilement à quel point un algorithme était précis dans la classification des résultats. (Lire de nouveaux générateurs utilisent les algorithmes modernes pour travailler sur l'art ASCII.)
L'utilité de la matrice de confusion tient à la complexité des projets ML, ainsi qu'à la manière dont les informations sont formatées et fournies aux utilisateurs. Imaginez une série de résultats linéaires comprenant des faux positifs, des faux négatifs, des vrais positifs et des vrais négatifs. (Lire Machine Learning 101.)
Un utilisateur devrait totaliser tous ces résultats linéaires dans un graphique pour comprendre le fonctionnement de l'algorithme et son exactitude. Avec la matrice de confusion, cette information est simplement présentée dans un puissant modèle visuel.
Par exemple, supposons que la machine soit chargée de classer 20 images, dont cinq sont des fruits et cinq des légumes. Si une matrice de confusion contient les éléments suivants (en haut à gauche): 7, 5, 3, 5, la matrice indique que sept ont été correctement identifiés en tant que légumes, tandis que trois ont été correctement classés en tant que fruits.
Les 10 autres, tels que représentés, sont des résultats pour lesquels le programme n'a pas pu identifier correctement l'image.
La matrice de confusion sera utile dans toutes sortes d'analyses ML. En observant cette ressource, les utilisateurs peuvent comprendre comment gérer des problèmes tels que la dimensionnalité et le surajustement, ainsi que d'autres moyens d'optimiser un algorithme.