{"id":5149,"date":"2026-10-14T18:01:57","date_gmt":"2026-10-14T18:01:57","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-coefficient-correlation-matthews-python\/"},"modified":"2026-10-14T18:01:57","modified_gmt":"2026-10-14T18:01:57","slug":"comment-calculer-coefficient-correlation-matthews-python","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-coefficient-correlation-matthews-python","title":{"rendered":"Comment calculer le coefficient de corr\u00e9lation de Matthews en Python"},"content":{"rendered":"

Dans le champ contemporain de l’apprentissage automatique et de la mod\u00e9lisation statistique, l’\u00e9valuation de la performance discriminante des classifieurs binaires et multiclasses constitue une \u00e9tape m\u00e9thodologique fondamentale. Trop souvent, la communaut\u00e9 scientifique et les praticiens de l’ing\u00e9nierie des donn\u00e9es ont accord\u00e9 une confiance aveugle \u00e0 des m\u00e9triques globales na\u00efves telles que l’exactitude brute (commun\u00e9ment d\u00e9sign\u00e9e sous le terme d’accuracy<\/em>). Or, d\u00e8s lors que l’on s’aventure dans des domaines o\u00f9 les ph\u00e9nom\u00e8nes observ\u00e9s sont rares \u2014 qu’il s’agisse de la d\u00e9tection de fraudes bancaires, de la g\u00e9nomique fonctionnelle, du d\u00e9pistage \u00e9pid\u00e9miologique ou de la psychopathologie computationnelle \u2014, ces m\u00e9triques traditionnelles s’effondrent sous le poids d’asym\u00e9tries distributionnelles s\u00e9v\u00e8res. L’illusion d’une performance optimale masque fr\u00e9quemment une incapacit\u00e9 totale du mod\u00e8le \u00e0 identifier la classe minoritaire, portant en elle des cons\u00e9quences \u00e9thiques, cliniques et financi\u00e8res potentiellement d\u00e9sastreuses.<\/p>\n

C’est au c\u0153ur de cette impasse m\u00e9thodologique que s’impose le coefficient de corr\u00e9lation de Matthews (couramment abr\u00e9g\u00e9 en MCC pour Matthews Correlation Coefficient<\/a>). Formellement \u00e9quivalent au coefficient phi de Karl Pearson transpos\u00e9 aux variables dichotomiques, le MCC offre une lecture rigoureuse, sym\u00e9trique et holistique de la matrice de contingence. Contrairement au score F1, qui n\u00e9glige structurellement le quadrant des vrais n\u00e9gatifs, ou \u00e0 l’aire sous la courbe ROC, qui peut offrir une vision trop optimiste face \u00e0 des d\u00e9s\u00e9quilibres extr\u00eames, le coefficient de Matthews n’atteint une valeur \u00e9lev\u00e9e que si le pr\u00e9dicteur r\u00e9ussit simultan\u00e9ment sur l’ensemble des quadrants d’\u00e9valuation : vrais positifs, vrais n\u00e9gatifs, faux positifs et faux n\u00e9gatifs.<\/p>\n

Cet article se propose de dresser un panorama exhaustif et hautement rigoureux du coefficient de corr\u00e9lation de Matthews, depuis ses assises th\u00e9oriques et ses justifications psychom\u00e9triques jusqu’\u00e0 son impl\u00e9mentation algorithmique optimis\u00e9e en langage Python. \u00c0 travers des d\u00e9monstrations math\u00e9matiques formelles, des benchmarks de performance computationnelle, des strat\u00e9gies d’optimisation d’hyperparam\u00e8tres et une \u00e9tude de cas clinique d\u00e9taill\u00e9e, ce guide fournit \u00e0 l’exp\u00e9rimentateur les concepts analytiques et les outils logiciels n\u00e9cessaires pour int\u00e9grer le MCC comme pierre angulaire de ses protocoles d’\u00e9valuation empirique.<\/p>\n

1. Introduction th\u00e9orique et fondements \u00e9pist\u00e9mologiques du coefficient de corr\u00e9lation de Matthews (MCC)<\/h2>\n

1.1 Gen\u00e8se et d\u00e9finition conceptuelle du coefficient de Matthews<\/h3>\n

Le coefficient de corr\u00e9lation de Matthews tire son origine des travaux fondateurs du biochimiste Brian W. Matthews, qui en publia la formalisation princeps en 1975 dans la revue Biochimica et Biophysica Acta<\/em>. \u00c0 cette \u00e9poque, Matthews s’attelait \u00e0 un probl\u00e8me d’une grande complexit\u00e9 biophysique : la pr\u00e9diction des structures secondaires des prot\u00e9ines \u2014 sp\u00e9cifiquement l’alternance entre h\u00e9lices alpha, feuillets b\u00eata et boucles non r\u00e9p\u00e9titives \u2014 \u00e0 partir de leurs s\u00e9quences primaires en acides amin\u00e9s. Confront\u00e9 \u00e0 des distributions d’acides amin\u00e9s structurellement disparates et \u00e0 des matrices de confusion fortement asym\u00e9triques o\u00f9 la simple exactitude globale produisait des artefacts d’\u00e9valuation majeurs, Matthews formula une mesure de corr\u00e9lation scalaire capable de quantifier l’accord r\u00e9el entre pr\u00e9dictions th\u00e9oriques et observations cristallographiques.<\/p>\n

Sur le plan conceptuel, le MCC repr\u00e9sente la transposition directe du coefficient de corr\u00e9lation de Pearson dans l’espace des variables al\u00e9atoires binaires ou dichotomiques. En statistique bivari\u00e9e, cet indice est rigoureusement identique au coefficient phi introduit par Karl Pearson au d\u00e9but du vingti\u00e8me si\u00e8cle. Lorsque deux variables ne prennent que les valeurs discr\u00e8tes z\u00e9ro et un, le calcul du moment centr\u00e9 d’ordre deux standardis\u00e9 se r\u00e9duit exactement \u00e0 l’expression alg\u00e9brique propos\u00e9e par Matthews. Ainsi, le MCC ne constitue pas un indice empirique heuristique ou ad hoc<\/em>, mais bien une statistique param\u00e9trique formellement ancr\u00e9e dans la th\u00e9orie classique de la corr\u00e9lation lin\u00e9aire.<\/p>\n

Dans le paysage moderne de l’apprentissage automatique, de la bio-informatique et de la psychom\u00e9trie computationnelle<\/a>, le MCC jouit d’une red\u00e9couverte critique. Sa force \u00e9pist\u00e9mologique r\u00e9side dans son invariance stricte face aux permutations des \u00e9tiquettes de classes. Si l’on inverse arbitrairement la d\u00e9finition conventionnelle de la classe positive et de la classe n\u00e9gative, la valeur absolue du coefficient demeure rigoureusement identique, garantissant une neutralit\u00e9 axiologique totale vis-\u00e0-vis de la convention d’encodage adopt\u00e9e par le mod\u00e9lisateur.<\/p>\n

1.2 Le probl\u00e8me critique de l’\u00e9valuation sur des distributions asym\u00e9triques<\/h3>\n

L’\u00e9valuation de mod\u00e8les pr\u00e9dictifs sur des jeux de donn\u00e9es caract\u00e9ris\u00e9s par une asym\u00e9trie distributionnelle prononc\u00e9e constitue l’un des \u00e9cueils les plus pernicieux de la science des donn\u00e9es. Ce ph\u00e9nom\u00e8ne est traditionnellement formalis\u00e9 sous l’appellation du paradoxe de l’exactitude (ou accuracy paradox<\/em>). Consid\u00e9rons un contexte \u00e9pid\u00e9miologique ou psychopathologique au sein duquel une condition clinique rare \u2014 telle que le risque imminent de passage \u00e0 l’acte suicidaire ou la pr\u00e9valence d’un trouble bipolaire \u00e0 d\u00e9clenchement pr\u00e9coce \u2014 n’affecte que 1 % d’une cohorte populationnelle donn\u00e9e. Un classifieur na\u00eff, programm\u00e9 pour assigner syst\u00e9matiquement la classe majoritaire n\u00e9gative \u00e0 l’int\u00e9gralit\u00e9 des individus observ\u00e9s, affichera une exactitude globale de 99 %. Sur le plan num\u00e9rique brut, cette performance semble spectaculaire ; sur le plan pragmatique, d\u00e9cisionnel et clinique, ce mod\u00e8le s’av\u00e8re rigoureusement inutile et \u00e9thiquement ind\u00e9fendable, puisqu’il ne poss\u00e8de aucun pouvoir discriminant sur la pathologie cibl\u00e9e.<\/p>\n

Face \u00e0 cette carence \u00e9vidente de l’exactitude globale, les praticiens se tournent r\u00e9guli\u00e8rement vers le score F1 ou vers l’aire sous la courbe caract\u00e9ristique d’efficacit\u00e9 du r\u00e9cepteur (AUC-ROC). Toutefois, ces m\u00e9triques de substitution pr\u00e9sentent des biais math\u00e9matiques structurels notables. Le score F1, d\u00e9fini comme la moyenne harmonique de la pr\u00e9cision et du rappel, exclut d\u00e9lib\u00e9r\u00e9ment de son \u00e9quation le quadrant des vrais n\u00e9gatifs. Par cons\u00e9quent, il est insensible aux fluctuations stochastiques touchant la population saine et peut fluctuer de mani\u00e8re aberrante selon la classe arbitrairement d\u00e9sign\u00e9e comme positive. De son c\u00f4t\u00e9, l’aire sous la courbe ROC int\u00e8gre le taux de faux positifs, mais son calcul int\u00e9grateur tend \u00e0 masquer la d\u00e9gradation des performances dans les r\u00e9gimes de sp\u00e9cificit\u00e9 \u00e9lev\u00e9e, offrant une vision artificiellement flatteuse des capacit\u00e9s r\u00e9elles du mod\u00e8le.<\/p>\n

La justification math\u00e9matique de la sup\u00e9riorit\u00e9 du MCC repose sur le fait qu’il int\u00e8gre de fa\u00e7on sym\u00e9trique, quadratique et marginale l’int\u00e9gralit\u00e9 des quatre quadrants de la table de contingence. Aucune cat\u00e9gorie d’observation n’est ignor\u00e9e ni surpond\u00e9r\u00e9e sans justification probabiliste. D\u00e8s lors qu’un mod\u00e8le \u00e9choue massivement sur la d\u00e9tection des cas positifs rares, le terme crois\u00e9 n\u00e9gatif du num\u00e9rateur neutralise imm\u00e9diatement le score, faisant chuter le coefficient vers z\u00e9ro, voire dans des zones n\u00e9gatives, signalant instantan\u00e9ment au chercheur la d\u00e9faillance structurelle de son algorithme.<\/p>\n

1.3 \u00c9chelle de valeur et interpr\u00e9tation statistique du coefficient<\/h3>\n

\u00c0 l’instar du coefficient de corr\u00e9lation produit-moment de Pearson, le coefficient de corr\u00e9lation de Matthews est born\u00e9 de mani\u00e8re stricte sur l’intervalle compact ferm\u00e9 [-1, +1]. Cette propri\u00e9t\u00e9 conf\u00e8re \u00e0 la statistique une lisibilit\u00e9 analytique imm\u00e9diate, exempte des ambigu\u00eft\u00e9s propres aux mesures asym\u00e9triques non normalis\u00e9es. L’interpr\u00e9tation de cette trajectoire scalaire repose sur des rep\u00e8res math\u00e9matiques pr\u00e9cis :<\/p>\n