Le tableau de ce que le classifieur a bien et mal prédit, classe par classe.Une matrice de confusion est une disposition de tableau spécifique qui permet de visualiser la performance d'un algorithme d'apprentissage supervisé, typiquement un classifieur. Chaque ligne de la matrice représente les instances d'une classe réelle, tandis que chaque colonne représente les instances d'une classe prédite (ou l'inverse). Le nom provient du fait qu'elle permet de voir facilement si le système confond deux classes (c'est-à-dire s'il étiquette couramment l'une comme l'autre).
Le terme a été popularisé dans le domaine de l'apprentissage automatique dans les années 1960, bien que le concept de table de contingence en statistiques lui soit antérieur. L'origine exacte reste incertaine.
Pour un problème de classification à N classes, la matrice est de taille N×N. Les cellules diagonales indiquent le nombre de prédictions correctes pour chaque classe, tandis que les cellules hors diagonale montrent les erreurs de classification. À partir de ce tableau, on peut dériver des métriques telles que l'exactitude, la précision, le rappel et le score F1. Pour la classification binaire, la matrice est de taille 2×2 avec des entrées généralement appelées vrai positif, faux positif, vrai négatif et faux négatif.
Utilisée pour évaluer et comparer les classifieurs dans des domaines comme le diagnostic médical, la détection de courriers indésirables et la reconnaissance d'images, où comprendre les types d'erreurs importe plus que l'exactitude globale.
Une matrice de confusion peut être utilisée pour calculer le coefficient de corrélation de Matthews, qui est une métrique unique résumant l'ensemble de la matrice et souvent plus informative que l'exactitude pour les ensembles de données déséquilibrés.








