{"id":5223,"date":"2024-10-31T11:21:27","date_gmt":"2024-10-31T10:21:27","guid":{"rendered":"https:\/\/thinkr.fr\/abcdr\/creer_une_matrice_de_confusion_avec_table\/"},"modified":"2024-10-31T11:21:27","modified_gmt":"2024-10-31T10:21:27","slug":"creer_une_matrice_de_confusion_avec_table","status":"publish","type":"post","link":"https:\/\/thinkr.fr\/abcdr\/creer_une_matrice_de_confusion_avec_table\/","title":{"rendered":"Cr\u00e9er une matrice de confusion avec table"},"content":{"rendered":"<h1>Cr\u00e9er une matrice de confusion avec <code>table<\/code> en R<\/h1>\n<p>Une matrice de confusion est un outil essentiel en apprentissage automatique pour \u00e9valuer la performance d&rsquo;un mod\u00e8le de classification. Elle permet de visualiser les performances d&rsquo;un mod\u00e8le en comparant les pr\u00e9dictions faites par le mod\u00e8le avec les vraies \u00e9tiquettes des donn\u00e9es. Dans cet article, nous allons voir comment cr\u00e9er une matrice de confusion en utilisant la fonction <code>table<\/code> en R.<\/p>\n<h2>Exemple concret<\/h2>\n<p>Imaginons que nous avons un mod\u00e8le de classification qui pr\u00e9dit si un email est un spam ou non. Nous allons simuler des pr\u00e9dictions et des vraies \u00e9tiquettes pour illustrer la cr\u00e9ation d&rsquo;une matrice de confusion.<\/p>\n<h3>\u00c9tape 1 : Cr\u00e9er des donn\u00e9es simul\u00e9es<\/h3>\n<p>Commen\u00e7ons par cr\u00e9er un vecteur de vraies \u00e9tiquettes et un vecteur de pr\u00e9dictions :<\/p>\n<pre><code class=\"language-r\"># Vraies \u00e9tiquettes (1 = spam, 0 = non spam)\nvraies_etiquettes &lt;- c(1, 0, 1, 1, 0, 0, 1, 0, 1, 0)\n\n# Pr\u00e9dictions du mod\u00e8le\npredictions &lt;- c(1, 0, 0, 1, 0, 1, 1, 0, 1, 0)<\/code><\/pre>\n<h3>\u00c9tape 2 : Cr\u00e9er la matrice de confusion<\/h3>\n<p>Nous allons maintenant utiliser la fonction <code>table<\/code> pour cr\u00e9er la matrice de confusion :<\/p>\n<pre><code class=\"language-r\"># Cr\u00e9er la matrice de confusion\nmatrice_confusion &lt;- table(vraies_etiquettes, predictions)\n\n# Afficher la matrice de confusion\nprint(matrice_confusion)<\/code><\/pre>\n<h3>\u00c9tape 3 : Interpr\u00e9ter la matrice de confusion<\/h3>\n<p>La matrice de confusion affich\u00e9e ressemblera \u00e0 ceci :<\/p>\n<pre><code>               predictions\nvraies_etiquettes  0  1\n                 0  4  1\n                 1  1  4<\/code><\/pre>\n<p>Dans cette matrice :<\/p>\n<ul>\n<li>La premi\u00e8re ligne repr\u00e9sente les vrais n\u00e9gatifs (4) et les faux positifs (1).<\/li>\n<li>La deuxi\u00e8me ligne repr\u00e9sente les faux n\u00e9gatifs (1) et les vrais positifs (4).<\/li>\n<\/ul>\n<h3>\u00c9tape 4 : Calculer les m\u00e9triques de performance<\/h3>\n<p>\u00c0 partir de la matrice de confusion, nous pouvons calculer plusieurs m\u00e9triques de performance, telles que la pr\u00e9cision, le rappel et le score F1.<\/p>\n<pre><code class=\"language-r\"># Calculer les m\u00e9triques\nvrais_positifs &lt;- matrice_confusion[2, 2]\nvrais_negatifs &lt;- matrice_confusion[1, 1]\nfaux_positifs &lt;- matrice_confusion[1, 2]\nfaux_negatifs &lt;- matrice_confusion[2, 1]\n\nprecision &lt;- vrais_positifs \/ (vrais_positifs + faux_positifs)\nrappel &lt;- vrais_positifs \/ (vrais_positifs + faux_negatifs)\nf1_score &lt;- 2 * (precision * rappel) \/ (precision + rappel)\n\n# Afficher les r\u00e9sultats\ncat(\"Pr\u00e9cision :\", precision, \"n\")\ncat(\"Rappel :\", rappel, \"n\")\ncat(\"Score F1 :\", f1_score, \"n\")<\/code><\/pre>\n<h2>Conclusion<\/h2>\n<p>Cr\u00e9er une matrice de confusion en R est un processus simple gr\u00e2ce \u00e0 la fonction <code>table<\/code>. Elle permet d&rsquo;\u00e9valuer la performance d&rsquo;un mod\u00e8le de classification de mani\u00e8re claire et concise. En utilisant cet outil, vous pouvez facilement calculer des m\u00e9triques de performance essentielles pour am\u00e9liorer vos mod\u00e8les. N&rsquo;h\u00e9sitez pas \u00e0 appliquer cette m\u00e9thode \u00e0 vos propres donn\u00e9es pour mieux comprendre les performances de vos mod\u00e8les de classification.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Cr\u00e9er une matrice de confusion avec table en R Une matrice de confusion est un outil essentiel en apprentissage automatique pour \u00e9valuer la performance d&rsquo;un mod\u00e8le de classification. Elle permet de visualiser les performances d&rsquo;un mod\u00e8le en comparant les pr\u00e9dictions faites par le mod\u00e8le avec les vraies \u00e9tiquettes des donn\u00e9es. Dans cet article, nous allons voir comment cr\u00e9er une matrice de confusion en utilisant la fonction table en R. Exemple concret Imaginons que nous avons un mod\u00e8le de classification qui pr\u00e9dit si un email est un spam ou non. Nous allons simuler des pr\u00e9dictions et des vraies \u00e9tiquettes pour illustrer la cr\u00e9ation d&rsquo;une matrice de<a class=\"more-link\" href=\"https:\/\/thinkr.fr\/abcdr\/creer_une_matrice_de_confusion_avec_table\/\">Read More &rarr;<\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","rop_custom_images_group":[],"rop_custom_messages_group":[],"rop_publish_now":"initial","rop_publish_now_accounts":{"twitter_399453572_399453572":""},"rop_publish_now_history":[],"rop_publish_now_status":"pending","jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[79],"tags":[114,113],"class_list":{"0":"entry","1":"post","2":"publish","3":"author-vincent","4":"post-5223","6":"format-standard","7":"category-statistiques","8":"post_tag-confusion","9":"post_tag-matrice"},"acf":[],"jetpack_featured_media_url":"","jetpack_shortlink":"https:\/\/wp.me\/p9O7Sx-1mf","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts\/5223","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/comments?post=5223"}],"version-history":[{"count":0,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts\/5223\/revisions"}],"wp:attachment":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/media?parent=5223"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/categories?post=5223"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/tags?post=5223"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}