準確率會掩蓋問題，而混淆矩陣則能揭示這些問題。該表格將預測標籤與實際標籤進行交叉比對，精確地展示了分類器在哪些方面成功，在哪些方面失敗。

行通常代表實際類別，列代表預測結果。對角線上的儲存格包含正確的分類。非對角線上的單元格顯示特定的錯誤，例如將良性腫瘤預測為惡性腫瘤。這些單元格中的模式可以指導改進。

衍生指標

• 準確率，即預測為陽性的比例，也就是正確預測的陽性數量。
• 回想一下，在實際的陽性病例中，發現了多少例？
• 特異性，真陰性率
• F1 分數、精確率和召回率的調和平均值

類別不平衡使得矩陣至關重要。當某一類佔據主導地位時，準確率看起來很高，而少數類則被忽略了。矩陣可以揭示模型究竟是在學習還是只是在預測多數類標籤。