La precisión oculta los problemas. Una matriz de confusión los expone. La tabla cruza las etiquetas predichas con las etiquetas reales, mostrando exactamente dónde acierta un clasificador y dónde falla.

Las filas suelen representar las clases reales y las columnas, las predicciones. La diagonal muestra las clasificaciones correctas. Las celdas fuera de la diagonal indican errores específicos, como tumores benignos predichos como malignos. Los patrones en esas celdas permiten mejorar el sistema.

Métricas derivadas

• Precisión, de positivos previstos, cuántos son correctos
• Recordemos, de los casos positivos reales, cuántos se encontraron
• Especificidad, tasa de verdaderos negativos
• Puntuación F1, media armónica de precisión y exhaustividad.

El desequilibrio de clases hace que la matriz sea esencial. Cuando una clase predomina, la precisión parece alta, mientras que la clase minoritaria se ignora. La matriz revela si el modelo está aprendiendo realmente o simplemente prediciendo la etiqueta mayoritaria.