सटीकता समस्याओं को छुपा देती है। भ्रम मैट्रिक्स उन्हें उजागर करता है। यह तालिका अनुमानित लेबलों की वास्तविक लेबलों से तुलना करती है, जिससे यह स्पष्ट होता है कि एक क्लासिफायर कहाँ सफल होता है और कहाँ असफल।

पंक्तियाँ आमतौर पर वास्तविक वर्गों को दर्शाती हैं और स्तंभ पूर्वानुमानों को। विकर्ण में सही वर्गीकरण दर्शाए जाते हैं। विकर्ण से बाहर स्थित कोशिकाएँ विशिष्ट त्रुटियाँ दिखाती हैं, जैसे कि सौम्य ट्यूमर को घातक के रूप में पूर्वानुमानित करना। इन कोशिकाओं में मौजूद पैटर्न सुधार में मार्गदर्शन करते हैं।

व्युत्पन्न मेट्रिक्स

• सकारात्मक परिणामों की भविष्यवाणी की सटीकता, उनमें से कितने सही हैं?
• याद कीजिए, वास्तविक सकारात्मक मामलों में से कितने पाए गए थे
• विशिष्टता, सही नकारात्मक दर
• एफ1 स्कोर, परिशुद्धता और रिकॉल का हार्मोनिक माध्य

वर्ग असंतुलन मैट्रिक्स को अनिवार्य बना देता है। जब एक वर्ग हावी होता है, तो सटीकता अधिक दिखाई देती है जबकि अल्पसंख्यक वर्ग को अनदेखा कर दिया जाता है। मैट्रिक्स यह प्रकट करता है कि मॉडल वास्तव में सीख रहा है या केवल बहुसंख्यक वर्ग के लेबल का अनुमान लगा रहा है।