Bonne réponse
- BUn tableau montrant les dénombrements de prédictions correctes et incorrectes ventilés par classe prédite par rapport à la classe réelle
Explication
Une matrice de confusion est une disposition tabulaire spécifique qui permet de visualiser les performances d'un modèle de classification. Elle montre les dénombrements de prédictions de vrais positifs, de vrais négatifs, de faux positifs et de faux négatifs, ventilés par chaque classe réelle par rapport à chaque classe prédite. Cela vous indique directement non seulement l'exactitude globale, mais aussi les types d'erreurs commises par le modèle, ce qui est essentiel pour évaluer les classifieurs dans Azure Machine Learning.
Pour aller plus loin
La matrice de confusion est un outil fondamental dans l'évaluation de la classification supervisée car elle décompose le comportement prédictif d'un modèle en quatre catégories: vrais positifs, vrais négatifs, faux positifs et faux négatifs. Alors que l'exactitude additionne simplement les prédictions correctes divisées par le total des prédictions, la matrice de confusion permet des métriques plus riches telles que la précision (positive predictive value) et le rappel (sensitivity), qui deviennent critiques lorsque les classes sont déséquilibrées. Par exemple, dans un test de dépistage médical pour une maladie rare, un modèle pourrait être exact à 99% en prédisant toujours 'pas de maladie', mais la matrice de confusion révélerait zéro vrai positif et un rappel de 0%, exposant le modèle comme inutile. Dans la classification multiclasse, la matrice s'étend à une grille N x N, où chaque ligne est la classe réelle et chaque colonne la classe prédite, permettant aux cellules diagonales de représenter les prédictions correctes et aux cellules hors diagonale de montrer les erreurs de classification spécifiques. Une idée fausse courante est qu'une matrice de confusion mesure l'incertitude ou la confiance du modèle; ce n'est pas le cas, elle compte uniquement les résultats catégoriels. Les services Azure AI, tels que le machine learning automatisé dans Azure Machine Learning, génèrent des matrices de confusion dans le cadre de l'interprétabilité des modèles, aidant les praticiens à repérer rapidement les biais systématiques, tels qu'un modèle qui classe fréquemment à tort un groupe ethnique ou une tranche d'âge, ce qui est essentiel pour les pratiques d'IA responsable et l'audit d'équité.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.