Akurasi menyembunyikan masalah. Matriks kebingungan mengungkapkannya. Tabel tersebut membandingkan label yang diprediksi dengan label aktual, menunjukkan dengan tepat di mana pengklasifikasi berhasil dan di mana ia gagal.

Baris biasanya mewakili kelas sebenarnya dan kolom mewakili prediksi. Diagonal berisi klasifikasi yang benar. Sel di luar diagonal menunjukkan kesalahan spesifik, seperti tumor jinak yang diprediksi sebagai ganas. Pola dalam sel-sel tersebut memandu perbaikan.

Metrik turunan

• Ketepatan, dari prediksi positif, berapa banyak yang benar.
• Ingat kembali, dari kasus positif sebenarnya, berapa banyak yang ditemukan.
• Spesifisitas, tingkat negatif sejati
• Skor F1, rata-rata harmonik dari presisi dan recall.

Ketidakseimbangan kelas membuat matriks menjadi sangat penting. Ketika satu kelas mendominasi, akurasi tampak tinggi sementara kelas minoritas diabaikan. Matriks tersebut mengungkapkan apakah model tersebut benar-benar belajar atau hanya memprediksi label mayoritas.