Matriks konfusi adalah alat yang digunakan dalam klasifikasi pembelajaran mesin numerik untuk mengevaluasi performa model klasifikasi. Ini adalah tabel yang digunakan untuk mengevaluasi keakuratan algoritma klasifikasi. Setiap baris matriks merupakan kelas prediksi dan setiap kolom merupakan kelas aktual. Matriksnya terdiri dari empat metrik berbeda: positif benar (TP), negatif benar (TN), positif palsu (FP), dan negatif palsu (FN).
Matriks konfusi adalah alat yang berguna dalam menganalisis efektivitas model prediktif. Hal ini digunakan untuk menentukan jumlah kesalahan yang dibuat oleh model dalam memprediksi atau mengklasifikasikan titik data, dan untuk membandingkan dua metode klasifikasi untuk kumpulan data yang sama. Matriks juga dapat digunakan untuk menilai keakuratan prediksi model.
Keakuratan model dihitung dengan menjumlahkan jumlah total positif dan negatif sebenarnya, dan membagi jumlah ini dengan jumlah total titik data. Penghitungan metrik lain seperti presisi (rasio positif sejati terhadap semua sampel yang diklasifikasikan sebagai positif) dan perolehan (rasio positif sejati terhadap semua positif sejati) juga dapat dilakukan dengan menggunakan matriks konfusi.
Matriks konfusi adalah alat yang berguna untuk menganalisis kinerja berbagai pengklasifikasi, serta untuk membandingkan kinerja berbagai teknik klasifikasi. Hal ini dapat membantu mengidentifikasi model overfitting yang rentan terhadap bias overfitting dan underspesifikasi. Hal ini juga dapat digunakan untuk menilai kemampuan model dalam mengklasifikasikan data yang tidak terlihat dengan benar dan menentukan apakah lebih banyak data perlu digunakan untuk peningkatan akurasi lebih lanjut.
Matriks kebingungan digunakan dalam berbagai aplikasi, termasuk pemasaran, keuangan, kedokteran, teknik, statistik, dan pembelajaran mesin. Mereka sangat populer dalam pembelajaran mesin, karena memberikan representasi visual tentang kinerja berbagai pengklasifikasi pada kumpulan data tertentu.
