A precisão esconde os problemas. Uma matriz de confusão expõe-nos. A tabela cruza os rótulos previstos com os rótulos reais, mostrando exatamente onde um classificador tem sucesso e onde falha.

As linhas representam geralmente as classes reais e as colunas representam as previsões. A diagonal contém as classificações corretas. As células fora da diagonal apresentam erros específicos, como tumores benignos previstos como malignos. Os padrões nestas células orientam a melhoria.

Métricas derivadas

• Precisão, dos positivos previstos, ou seja, quantos estão corretos.
• Recorde-se, dos casos positivos reais, quantos foram encontrados.
• Especificidade, taxa de verdadeiros negativos
• Score F1, média harmónica de precisão e recall.

O desequilíbrio de classes torna a matriz essencial. Quando uma classe domina, a precisão parece elevada, enquanto a classe minoritária é ignorada. A matriz revela se o modelo está realmente a aprender ou simplesmente a prever o rótulo maioritário.