Matrice de confusion pour Ajuster le modèle et Découvrir les prédicteurs principaux avec Classification TreeNet^®

Remarque

Cette commande est disponible avec la commande Module d'analyse prédictive. Cliquez ici pour plus d’informations sur la façon d’activer le module.

Trouvez les définitions et les interprétations de chaque statistique dans la matrice de confusion.

La matrice de confusion montre dans quelle mesure l’arborescence sépare correctement les classes à l’aide de ces métriques :

Taux de vrais positifs (TPR) : la probabilité qu’un cas d’événement soit prédit correctement
Taux de faux positifs (FPR) : la probabilité qu’un cas non événementiel soit prédit de manière incorrecte
Taux de faux négatifs (FNR) : probabilité qu’un cas d’événement soit prédit de manière incorrecte
Taux vrai négatif (TNR) : probabilité qu’un cas non événementiel soit prédit correctement

Interprétation

Matrice de confusion

		Classe prévue (apprentissage)			Classe prévue (Validation croisée)
		Classe prévue (apprentissage)			Classe prévue (Validation croisée)
Classe réelle	Dénombrement	Oui	Non	% correct	Oui	Non	% correct
Oui (Événement)	139	124	15	89,21	110	29	79,14
Non	164	8	156	95,12	24	140	85,37
Tous	303	132	171	92,41	134	169	82,51

Statistiques	Apprentissage (%)	Validation croisée (%)
Taux de vrai positif (sensibilité ou puissance)	89,21	79,14
Taux de faux positif (erreur de type I)	4,88	14,63
Taux de faux négatif (erreur de type II)	10,79	20,86
Taux de vrai négatif (spécificité)	95,12	85,37

Dans cet exemple, le nombre total d'événements Oui est de 139, et le nombre total d'événements Non est de 164.

Dans les données d'apprentissage, le nombre d'événements prévus (Oui) est de 124, ce qui est correct à 89,21 %.
Dans les données d'apprentissage, le nombre de non-événements prévus (Non) est de 156, ce qui est correct à 95,12 %.
Dans les résultats de validation croisée, le nombre d’événements prédits (Oui) est de 110, ce qui est exact à 79,14 %.
Dans les résultats de la validation croisée, le nombre de non-événements prédits (No) est de 140, ce qui est exact à 85,37 %.

Globalement, le pourcentage de correction pour la formation est de 92,41 % et 82,51 % pour la validation croisée. Utilisez les résultats des données de test pour évaluer l'exactitude de la prévision pour les nouvelles observations.

Un pourcentage d'exactitude avec une valeur faible est généralement dû à un modèle ajusté présentant une déficience, qui peut être causée par plusieurs raisons différentes. Si le pourcentage d'exactitude est très faible, déterminez si les pondérations de classe peuvent vous aider. Les pondérations de classe peuvent vous aider à obtenir un modèle plus précis lorsque les pondérations des observations d'une classe sont supérieures à celles d'une autre classe. De plus, vous pouvez modifier la probabilité requise pour qu’un cas soit classé comme l’événement.

Matrice de confusion pour Ajuster le modèle et Découvrir les prédicteurs principaux avec Classification TreeNet®

Remarque

Interprétation

Matrice de confusion

Matrice de confusion pour Ajuster le modèle et Découvrir les prédicteurs principaux avec Classification TreeNet^®