La tabla de lo que un clasificador acertó y falló, clase por clase.Una matriz de confusión es una disposición de tabla específica que permite visualizar el rendimiento de un algoritmo de aprendizaje supervisado, típicamente un clasificador. Cada fila de la matriz representa las instancias de una clase real, mientras que cada columna representa las instancias de una clase predicha (o viceversa). El nombre proviene del hecho de que facilita ver si el sistema está confundiendo dos clases (es decir, etiquetando comúnmente una como otra).
El término se popularizó en el campo del aprendizaje automático en la década de 1960, aunque el concepto de tabla de contingencia en estadística es anterior. El origen exacto no está claro.
Para un problema de clasificación con N clases, la matriz es de N×N. Las celdas diagonales muestran el número de predicciones correctas para cada clase, mientras que las celdas fuera de la diagonal muestran clasificaciones erróneas. A partir de esta tabla, se pueden derivar métricas como exactitud, precisión, exhaustividad y puntuación F1. Para la clasificación binaria, la matriz es de 2×2 con entradas típicamente llamadas verdadero positivo, falso positivo, verdadero negativo y falso negativo.
Se utiliza en la evaluación y comparación de clasificadores en campos como el diagnóstico médico, la detección de spam y el reconocimiento de imágenes, donde comprender los tipos de errores importa más que la exactitud general.
Una matriz de confusión puede usarse para calcular el coeficiente de correlación de Matthews, que es una métrica única que resume toda la matriz y suele ser más informativa que la exactitud para conjuntos de datos desequilibrados.








