Classification binaire Exemple de tableau de matrice de confusion #### Contenu de la diapositive Cette diapositive PowerPoint

PowerPoint présente un "tableau de matrice de confusion" utilisé pour évaluer les performances d'un algorithme de classification binaire, dans le cadre de l'évaluation d'un modèle d'apprentissage automatique prédictif. La matrice comprend des catégories telles que les vrais positifs (300 instances), les vrais négatifs (250 instances), les faux positifs (2 instances) et les faux négatifs (4 instances), ainsi que des pourcentages calculés pour chaque catégorie indiquant la précision du modèle, le taux de classification erronée et d'autres mesures de qualité. ### Présentation graphique - Un grand titre en bleu foncé en haut de la diapositive annonce le sujet. - Un sous-titre plus petit en gris sous le titre fournit le contexte. - Une icône de cible avec une flèche circulaire est centrée au-dessus de la matrice. - La matrice de confusion est un tableau à deux lignes et deux colonnes, dont les en-têtes sont bleus et les cellules rouges, vertes, sarcelles et grises. - Chaque cellule de la matrice contient un nombre ou un pourcentage en caractères gras blancs. - À gauche de la matrice, un bandeau vertical aux coins arrondis intitulé "Classe prédite" comporte une icône de puce IA. - Sur le côté droit, les totaux des lignes et des colonnes sont séparés de la matrice principale, colorés en gris clair et en gris foncé. - En haut à droite, une petite flèche et l'offre de la version Excel apparaissent. La diapositive est construite dans un style professionnel et corporatif, en utilisant une matrice codée par couleur pour indiquer les différents aspects de la validation du modèle. La conception facilite une compréhension claire de la précision du modèle et des taux d'erreur grâce à la séparation visuelle et à la distinction des couleurs des différentes mesures. ### Cas d'utilisation - Présenter les mesures de performance du modèle lors des réunions de l'équipe de science des données ou d'apprentissage automatique. - Expliquer la précision d'un modèle de classification binaire à des parties prenantes non techniques. - Utilisation dans un cadre universitaire ou de formation pour enseigner les mesures d'évaluation des algorithmes de classification. - Incorporation dans une présentation plus large à des investisseurs ou à des cadres pour démontrer la fiabilité d'une solution d'apprentissage automatique.