Nøjagtighed skjuler problemer. En forvirringsmatrix afslører dem. Tabellen krydstabulerer forudsagte betegnelser mod faktiske betegnelser og viser præcis, hvor en klassifikator lykkes, og hvor den fejler.

Rækker repræsenterer typisk faktiske klasser, og kolonner repræsenterer forudsigelser. Diagonalen indeholder korrekte klassifikationer. Celler uden for diagonalen viser specifikke fejl, såsom godartede tumorer forudsagt som ondartede. Mønstre i disse celler styrer forbedring.

Afledte metrikker

• Præcision, af forudsagte positive, hvor mange er korrekte
• Husk, af de faktiske positive resultater, hvor mange der blev fundet
• Specificitet, sand negativ rate
• F1-score, harmonisk middelværdi af præcision og recall

Klasseubalance gør matricen essentiel. Når én klasse dominerer, ser nøjagtigheden høj ud, mens minoritetsklassen ignoreres. Matricen afslører, om modellen rent faktisk lærer eller blot forudsiger majoritetsbetegnelsen.