O matrice de confuzie (confusion matrix) este un tabel folosit pentru a evalua performanța unui model de clasificare, comparând predicțiile modelului cu valorile reale, corecte, ale exemplelor testate, și organizând rezultatele în patru categorii posibile (pentru o problemă cu două clase): adevărat pozitiv (modelul a prezis corect clasa pozitivă), adevărat negativ (a prezis corect clasa negativă), fals pozitiv (a prezis greșit clasa pozitivă, când era de fapt negativă) și fals negativ (a prezis greșit clasa negativă, când era de fapt pozitivă).
Din această structură simplă se calculează majoritatea metricilor standard de evaluare a modelelor de clasificare: acuratețea (procentul total de predicții corecte), precizia (din toate predicțiile pozitive făcute de model, câte au fost corecte — importantă atunci când falsurile pozitive sunt costisitoare), recall-ul sau sensibilitatea (din toate exemplele pozitive reale, câte a reușit modelul să identifice corect — important atunci când ratarea unui caz pozitiv real este gravă) și scorul F1 (o combinație echilibrată între precizie și recall).
Matricea de confuzie este esențială mai ales în probleme cu clase dezechilibrate, unde acuratețea simplă poate fi înșelătoare: un model care prezice mereu „sănătos” pentru un test de boală rară, prezentă la doar 1% din populație, ar avea o acuratețe de 99%, dar ar rata complet toate cazurile reale de boală — o deficiență evidentă doar prin analiza detaliată a falsurilor negative din matricea de confuzie, nu prin acuratețea generală.
