Aller au contenu
Omnikalc

Calculateur du coefficient de Matthews : un score équilibré pour une matrice de confusion

Saisissez les vrais et faux positifs et négatifs pour obtenir le MCC, avec l’exactitude, le score F1 et le J de Youden.

Mis à jour le
Vos paramètres

Valeur hors limites

Valeur hors limites

Valeur hors limites

Valeur hors limites

Résultats

Coefficient de corrélation de Matthews (MCC)

0,6299

Accord modéré
Exactitude
85,00 %
Score F1
0,7273
J de Youden (sensibilité + spécificité − 1)
0,5952

L’exactitude peut tromper quand une classe est rare. Le calculateur du coefficient de Matthews prend les vrais positifs, faux positifs, faux négatifs et vrais négatifs, et donne le MCC, avec l’exactitude, le score F1 et le J de Youden pour comparer.

Comment se fait le calcul

  • Saisissez les quatre cases de votre matrice de confusion : vrais positifs, faux positifs, faux négatifs et vrais négatifs.
  • Le coefficient de corrélation de Matthews vaut MCC = (VP × VN − FP × FN) ÷ √((VP + FP)(VP + FN)(VN + FP)(VN + FN)).
  • Il va de −1, une prédiction parfaitement inversée, à +1, une prédiction parfaite, en passant par 0, qui ne fait pas mieux que le hasard.
  • Le calculateur affiche aussi l’exactitude, le score F1 et le J de Youden pour comparaison.

Exemple

Un test donne 40 vrais positifs, 10 faux positifs, 20 faux négatifs et 130 vrais négatifs. Le numérateur vaut 40 × 130 − 10 × 20 = 5 000 et le dénominateur √(50 × 60 × 140 × 150) ≈ 7 937, donc MCC = 0,6299. L’exactitude est de 85,00 %, le score F1 de 0,7273 et le J de Youden de 0,5952.

Pourquoi c’est utile

Les praticiens de l’apprentissage automatique, les concepteurs de tests diagnostiques et les bio-informaticiens utilisent le MCC parce qu’il traite les deux classes de façon équitable. Beaucoup de publications le rapportent maintenant à côté de l’exactitude et du F1 pour la classification binaire, et il est surtout utile pour comparer un modèle sur des jeux de données dont la part de cas positifs est très différente.

À savoir

Le MCC décrit un seul point de fonctionnement d’un classifieur. Il ne montre pas comment la performance varie avec le seuil de décision, ce que montre une courbe ROC. Pour plus de deux classes, il existe une version multiclasse qui n’est pas traitée ici. Rapportez les quatre effectifs avec le MCC pour que les lecteurs puissent recalculer toute autre mesure qu’ils préfèrent.

Outils liés

Le calculateur de matrice de confusion donne des mesures plus classiques à partir des mêmes quatre effectifs, et celui de la significativité d’une corrélation explique l’idée derrière le MCC.

Questions fréquentes

Qu’est-ce que le coefficient de corrélation de Matthews ?

C’est un nombre unique qui résume la qualité d’un classifieur binaire à partir des quatre cases de la matrice de confusion. C’est la corrélation de Pearson entre les étiquettes prédites et les vraies, et on le décrit souvent comme une mesure équilibrée.

Pourquoi le MCC est-il meilleur que l’exactitude sur des données déséquilibrées ?

L’exactitude peut sembler excellente si un classifieur prédit simplement la classe majoritaire. Le MCC ne donne un score élevé que si le classifieur réussit sur les deux classes. Quand 95 % des cas sont négatifs, toujours prédire négatif donne 95 % d’exactitude mais un MCC de 0.

Comment lire la valeur ?

Une valeur proche de 1 signifie que prédictions et réalité concordent presque parfaitement, 0 que la prédiction ne fait pas mieux que le hasard et −1 qu’elle est en désaccord total. Beaucoup de praticiens jugent 0,7 ou plus fort, mais le bon seuil dépend du domaine.

Que se passe-t-il si une ligne ou une colonne de la matrice est vide ?

Si l’une des quatre sommes du dénominateur est nulle, le MCC n’est pas défini. Par convention, ce calculateur affiche alors 0, ce qui signale que le score n’apporte pas d’information.

Ce calculateur vous a-t-il été utile ?

Merci pour votre avis !

Résultats indicatifs fournis à titre d'information. Ils ne remplacent pas l'avis d'un professionnel.