Qu'est-ce que le calculateur d'exactitude ?
L'exactitude (en anglais accuracy) est l'une des métriques les plus utilisées pour évaluer un modèle de classification. Elle mesure la part de prédictions correctes parmi l'ensemble des prédictions — aussi bien les positifs bien identifiés que les négatifs bien identifiés. Ce calculateur transforme les quatre cases d'une matrice de confusion en un score d'exactitude, exprimé à la fois sous forme de ratio et de pourcentage.
Comment l'utiliser
Renseignez les quatre effectifs issus de votre matrice de confusion :
- TP (vrais positifs) — cas positifs correctement prédits comme positifs.
- TN (vrais négatifs) — cas négatifs correctement prédits comme négatifs.
- FP (faux positifs) — cas négatifs prédits à tort comme positifs.
- FN (faux négatifs) — cas positifs prédits à tort comme négatifs.
Le calculateur affiche automatiquement l'exactitude. Pas d'outil sous la main ? Additionnez simplement les quatre valeurs et appliquez la formule ci-dessous.
La formule expliquée
Exactitude = (TP + TN) / (TP + TN + FP + FN).
$$\text{Exactitude} = \dfrac{TP + TN}{TP + TN + FP + FN}$$Le numérateur regroupe toutes les prédictions correctes, tandis que le dénominateur correspond au nombre total de prédictions. Multipliez par 100 pour obtenir un pourcentage.
$$\text{Exactitude \%} = \text{Exactitude} \times 100$$
Exemple concret
Imaginons un modèle avec \(TP = 80\), \(TN = 70\), \(FP = 20\), \(FN = 30\). Prédictions correctes = \(80 + 70 = 150\). Total = \(80 + 70 + 20 + 30 = 200\). Exactitude = \(150 / 200 = 0{,}75\), soit 75 %.
$$\text{Exactitude} = \dfrac{80 + 70}{80 + 70 + 20 + 30} = \dfrac{150}{200} = 0{,}75 = 75\,\%$$Exactitude sur différents scénarios
La même formule d'exactitude \(\text{Exactitude} = \frac{\text{VP} + \text{VN}}{\text{VP} + \text{VN} + \text{FP} + \text{FN}} \times 100\%\) peut masquer des comportements de modèle très différents. Les scénarios ci-dessous utilisent chacun un total de 100 cas, donc les pourcentages sont directement comparables.
| Scénario | VP | VN | FP | FN | Exactitude |
|---|---|---|---|---|---|
| Ensemble de données équilibré, bon modèle | 45 | 45 | 5 | 5 | 90% |
| Déséquilibré, majorité négative (maladie rare) | 2 | 93 | 2 | 3 | 95% |
| Prédire toujours négatif (référence) | 0 | 95 | 0 | 5 | 95% |
| Nombreux faux positifs (surclassement) | 48 | 22 | 28 | 2 | 70% |
| Nombreux faux négatifs (positifs manqués) | 20 | 50 | 0 | 30 | 70% |
L'enseignement clé est la comparaison entre la deuxième et la troisième lignes : un modèle qui ne fait que prédire la classe majoritaire obtient le même 95% qu'un modèle qui détecte réellement certains cas positifs. Sur un ensemble de données équilibré (ligne 1), l'exactitude est bien plus informative. Les deux dernières lignes montrent que deux modèles avec une exactitude identique de 70% peuvent échouer de manière opposée et incompatible : l'un vous inonde de fausses alertes, l'autre omet tranquillement les positifs.
Interpréter votre score d'exactitude
L'exactitude est la fraction de toutes les prédictions que le classificateur a bien trouvées — à la fois les positifs et les négatifs. Une exactitude de 90% signifie que 9 cas sur 10 ont été correctement étiquetés, et le taux d'erreur complémentaire est \(100\% - 90\% = 10\%\). C'est intuitif et facile à communiquer, ce qui est exactement pourquoi c'est si souvent mal interprété.
Comparez toujours à la référence sans information. Le contrôle de santé le plus honnête est la référence de la classe majoritaire : l'exactitude que vous obtiendriez en devinant toujours la classe la plus commune. Si 95% de vos cas sont négatifs, un classificateur qui prédit aveuglément « négatif » à chaque fois obtient déjà 95%. Un modèle réel doit dépasser cette référence pour valoir quelque chose — une exactitude de 95% est impressionnante sur une répartition 50/50 et inutile sur une répartition 95/5.
Quand une exactitude élevée est trompeuse. Sur des données fortement déséquilibrées, l'exactitude est dominée par la classe majoritaire. Un détecteur de fraude, un dépistage de maladie rare ou un détecteur de défaut peut signaler 99% d'exactitude tout en détectant presque aucun des cas positifs rares qui comptent vraiment. Dans ces paramètres, le coût d'un faux négatif et d'un faux positif est généralement très différent, et un seul pourcentage global ne peut pas capturer cela.
Métriques qui complètent l'exactitude :
- Précision — parmi les cas prédits positifs, combien étaient réellement positifs : \(\text{VP}/(\text{VP}+\text{FP})\). À utiliser quand les faux positifs sont coûteux.
- Rappel (sensibilité) — parmi les positifs réels, combien en avez-vous détecté : \(\text{VP}/(\text{VP}+\text{FN})\). À utiliser quand manquer un positif est coûteux.
- Spécificité — parmi les négatifs réels, combien avez-vous correctement dégagés : \(\text{VN}/(\text{VN}+\text{FP})\).
- Score F1 — la moyenne harmonique de la précision et du rappel, un seul nombre équilibrant les deux sur la classe positive.
- Exactitude équilibrée — la moyenne de la sensibilité et de la spécificité, qui corrige le déséquilibre des classes et est le meilleur chiffre titre quand les classes sont asymétriques.
Pour l'exemple équilibré ci-dessus (VP=45, FP=5, FN=5), le rappel et la précision sont tous deux \(45/50 = 90\%\), donc l'exactitude, la précision et le rappel sont d'accord — un signe que l'ensemble de données est bien équilibré. Quand ils divergent fortement, faites confiance aux métriques par classe plutôt qu'au chiffre d'exactitude unique. Ceci est une information technique générale, pas un substitut à l'évaluation spécifique au domaine de votre problème particulier.
Définitions et glossaire
- Vrai Positif (VP)
- Un cas positif que le modèle a correctement prédit comme positif (par exemple, un patient malade signalé comme malade).
- Vrai Négatif (VN)
- Un cas négatif que le modèle a correctement prédit comme négatif (par exemple, un patient sain déclaré sain).
- Faux Positif (FP)
- Un cas négatif incorrectement prédit comme positif — une fausse alerte. Aussi appelé erreur de type I.
- Faux Négatif (FN)
- Un cas positif incorrectement prédit comme négatif — un manquement. Aussi appelé erreur de type II.
- Matrice de confusion
- Un tableau 2×2 croisant les classes prédites par rapport aux classes réelles, avec VP, VN, FP et FN comme ses quatre cellules. C'est la source de pratiquement toutes les métriques de classification.
- Exactitude
- La proportion de toutes les prédictions qui sont correctes : \((\text{VP}+\text{VN})/(\text{VP}+\text{VN}+\text{FP}+\text{FN})\), généralement exprimée en pourcentage.
- Taux d'erreur
- La proportion de prédictions qui sont incorrectes : \((\text{FP}+\text{FN})/(\text{VP}+\text{VN}+\text{FP}+\text{FN}) = 1 - \text{Exactitude}\).
- Précision
- Valeur prédictive positive : \(\text{VP}/(\text{VP}+\text{FP})\) — à quel point une prédiction positive est fiable.
- Rappel
- Sensibilité ou taux de vrai positif : \(\text{VP}/(\text{VP}+\text{FN})\) — combien de positifs réels ont été trouvés.
- Spécificité
- Taux de vrai négatif : \(\text{VN}/(\text{VN}+\text{FP})\) — combien de négatifs réels ont été correctement identifiés.
- Score F1
- La moyenne harmonique de la précision et du rappel : \(2 \cdot \frac{\text{précision} \cdot \text{rappel}}{\text{précision} + \text{rappel}}\), une mesure unique et équilibrée de la performance de la classe positive.
FAQ
L'exactitude est-elle toujours une bonne métrique ? Non. Sur des jeux de données déséquilibrés (par exemple lorsque 95 % des cas sont négatifs), un modèle peut afficher une exactitude élevée en prédisant systématiquement la classe majoritaire. Vérifiez aussi la précision, le rappel et le score F1.
Quelle est sa plage de valeurs ? Entre 0 (toutes les prédictions fausses) et 1 (toutes les prédictions correctes), soit de 0 % à 100 %.
Fonctionne-t-elle pour les problèmes multiclasses ? Oui — considérez TP + TN comme le nombre total d'échantillons correctement classés sur l'ensemble des classes, et le dénominateur comme le nombre total d'échantillons.
