Matrice de classification (Analysis Services - Exploration de données)

S’applique à : SQL Server 2019 et versions antérieures d’Analysis Services Azure Analysis Services Fabric/Power BI Premium

Important

L’exploration de données a été déconseillée dans SQL Server 2017 Analysis Services et est à présent abandonnée dans SQL Server 2022 Analysis Services. La documentation n’est pas mise à jour pour les fonctionnalités déconseillées et abandonnées. Pour en savoir plus, consultez Compatibilité descendante d’Analysis Services.

Une matrice de classification trie tous les cas du modèle en catégories, en déterminant si la valeur prédite correspondait à la valeur réelle. Tous les cas dans chaque catégorie sont ensuite comptés et les totaux sont affichés dans la matrice. La matrice de classification est un outil standard d’évaluation des modèles statistiques et est parfois appelée matrice de confusion.

Le graphique qui est créé quand vous choisissez l’option Matrice de classification compare les valeurs réelles aux valeurs prédites pour chaque état prédit que vous spécifiez. Les lignes de la matrice représentent les valeurs prédites pour le modèle, tandis que les colonnes représentent les valeurs réelles. Les catégories utilisées dans l’analyse sont faux positif, vrai positif, faux négatifet vrai négatif

Une matrice de classification est un outil important pour évaluer les résultats d'une prédiction car elle facilite la compréhension et explique les effets des prédictions incorrectes. En consultant le montant et les pourcentages de chaque cellule de cette matrice, vous pouvez rapidement consulter la fréquence à laquelle le modèle a effectué des prédictions précises.

Cette section explique comment créer une matrice de classification et comment interpréter les résultats.

Fonctionnement de la matrice de classification

Prenons le modèle que vous avez créé dans le cadre du didacticiel sur l'exploration de données de base. Le modèle [TM_DecisionTree], qui sert à créer une campagne de publipostage ciblée, peut être utilisé pour prédire quels clients sont les plus susceptibles d'acheter un vélo. Pour tester l'utilité estimée de ce modèle, vous utilisez un jeu de données pour lequel les valeurs de l'attribut de résultats, [Bike Buyer], sont déjà connues. En général, vous utiliseriez le jeu de données de test que vous avez mis de côté lors de la création de la structure d'exploration de données utilisée pour l'apprentissage du modèle.

Il existe deux effets possibles : oui (le client est susceptible d'acheter un vélo), et non (le client n'achètera probablement pas de vélo). Par conséquent, la matrice de classification obtenue est relativement simple.

Interprétation des résultats

Le tableau suivant présente la matrice de classification pour le modèle TM_DecisionTree. N'oubliez pas que pour cet attribut prédictible, 0 signifie Non et 1 Oui.

Prédite	0 (Réel)	1 (Réel)
0	362	144
1	121	373

La première cellule de résultat, qui contient la valeur 362, indique le nombre de vrais positifs pour la valeur 0. Étant donné que 0 indique que le client n'a pas acheté de vélo, cette statistique vous dit que le modèle a prédit la valeur correcte pour les non-acheteurs de vélo dans 362 cas.

La cellule immédiatement au-dessous de celle-ci, qui contient la valeur 121, vous indique le nombre de faux positifs, c’est-à-dire le nombre de fois que le modèle a prédit à tort qu’une personne achèterait un vélo.

La cellule qui contient la valeur 144 indique le nombre de faux positifs pour la valeur 1. Étant donné que 1 signifie que le client a acheté un vélo, cette statistique vous indique que dans 144 cas, le modèle a prédit qu'une personne n'achèterait pas de vélo alors qu'en réalité, elle l'a fait.

Enfin, la cellule qui contient la valeur 373 indique le nombre de vrais positifs pour la valeur cible 1. En d'autres termes, dans 373 cas, le modèle a prédit correctement qu'une personne achèterait un vélo.

En additionnant les valeurs dans les cellules qui sont adjacentes en diagonale, vous pouvez déterminer la précision globale du modèle. Une diagonale vous indique le nombre total de prédictions exactes, et l'autre diagonale vous indique le nombre total de prédictions erronées.

Utilisation de plusieurs valeurs prévisibles

Le cas [Bike Buyer] est particulièrement simple à interpréter car il n'y a que deux valeurs possibles. Lorsque l'attribut prédictible a plusieurs valeurs possibles, la matrice de classification ajoute une nouvelle colonne pour chaque valeur réelle possible, puis compte le nombre de correspondances pour chaque valeur prédite. Le tableau suivant présente les résultats sur un modèle différent, où trois valeurs (0, 1, 2) sont possibles.

Prédite	0 (Réel)	1 (Réel)	2 (Réel)
0	111	3	5
1	2	123	17
2	19	0	20

Bien que l'ajout de plusieurs colonnes rende la disposition du rapport plus complexe, les détails supplémentaires peuvent être très utiles lorsque vous voulez évaluer le coût cumulé d'une prédiction incorrecte. Pour créer des sommes sur les diagonales ou comparer les résultats de différentes combinaisons de lignes, vous pouvez cliquer sur le bouton Copier sous l’onglet Matrice de classification et coller le rapport dans Excel. Vous pouvez également utiliser un client tel que le client d’exploration de données pour Excel, qui prend en charge SQL Server 2005 (9.x) et versions ultérieures, pour créer un rapport de classification directement dans Excel qui inclut à la fois les nombres et les pourcentages. Pour plus d’informations, consultez SQL Server Data Mining(en anglais).

Restrictions relatives à la matrice de classification

Une matrice de classification peut être utilisée uniquement avec des attributs prédictibles discrets.

Bien que vous puissiez ajouter plusieurs modèles au moment de sélectionner des modèles sous l’onglet Sélection d’entrée du concepteur Graphique d’analyse de précision de l’exploration de données , l’onglet Matrice de classification présente une matrice distincte pour chaque modèle.

Contenu associé

Les rubriques suivantes contiennent davantage d'informations sur la façon dont vous pouvez créer et utiliser des matrices de classification et d'autres graphiques.

Rubriques	Liens
Explique les types de graphique associés.	Graphique de courbes d'élévation (Analysis Services - Exploration de données) Graphique des bénéfices (Analysis Services - Exploration de données) Nuage de points (Analysis Services - Exploration de données)
Décrit les utilisations de la validation croisée pour les modèles et les structures d'exploration de données.	Validation croisée (Analysis Services - Exploration de données)
Décrit les étapes permettant de créer des graphiques de courbes d'élévation et d'autres graphiques d'analyse de précision.	Tâches de test et validation et procédures (exploration de données)

Voir aussi

Test et validation (exploration de données)