MoyenneChoix unique

Question d'entraînement AI-900

Qu'est-ce qu'une 'matrice de confusion' et que vous indique-t-elle sur un modèle de classification?

Choisissez la meilleure réponse.

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.

Pourquoi chaque option est juste ou fausse

A

Fausse

Une mesure de la confusion des utilisateurs lors de l'interaction avec les prédictions d'un système d'IA

Le nom 'matrice de confusion' fait référence au fait que le modèle est 'confus' quant aux classes à attribuer, et non à la confusion psychologique de l'utilisateur final. La confusion des utilisateurs est un concept de recherche en ergonomie (UX), souvent mesuré par le temps de réalisation des tâches, les taux d'erreur ou les enquêtes de satisfaction. Une matrice de confusion ne comporte aucun composant utilisateur; c'est un artefact d'évaluation purement quantitatif utilisé par les data scientists pour diagnostiquer les erreurs des algorithmes de classification.

B

Juste

Un tableau montrant les dénombrements de prédictions correctes et incorrectes ventilés par classe prédite par rapport à la classe réelle

Une matrice de confusion est un tableau croisé des étiquettes de classes prédites par rapport aux étiquettes de classes réelles, chaque cellule comptant le nombre d'instances qui tombent dans cette combinaison. En classification binaire, cela donne des vrais positifs, des vrais négatifs, des faux positifs et des faux négatifs, à partir desquels vous pouvez dériver la précision, le rappel, le score F1 et l'exactitude. C'est la réponse technique correcte car elle révèle directement non seulement l'exactitude globale, mais aussi les types spécifiques d'erreurs commises par le modèle.

C

Fausse

Une représentation graphique de la confiance du modèle sur l'ensemble de son jeu de données de test

Une matrice de confusion n'est pas une représentation graphique de la confiance du modèle. La confiance est généralement visualisée à l'aide de diagrammes de fiabilité (courbes de calibration) ou d'histogrammes de probabilités prédites, qui montrent comment les probabilités de sortie du modèle s'alignent sur les résultats réels. Une matrice de confusion montre plutôt des comptes discrets d'étiquettes de classes prédites par rapport aux réelles, indépendamment des scores de probabilité.

D

Fausse

Un diagramme comparant l'exactitude de plusieurs modèles sur le même jeu de test

Cela décrit une technique de comparaison de modèles, telle qu'un diagramme à barres des scores d'exactitude ou des courbes ROC superposées sur le même graphique. Une matrice de confusion évalue les prédictions d'un seul modèle, en quantifiant exactement où ce modèle commet des erreurs (par exemple, faux positifs par rapport à faux négatifs). Elle ne compare pas directement des concurrents; toute comparaison de modèles nécessiterait des matrices de confusion séparées ou des métriques agrégées.

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.