Qué es
Una matriz de confusión organiza en una tabla las predicciones de un modelo de clasificación frente a los valores reales, mostrando cuatro combinaciones posibles: verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos.
Por qué no alcanza con mirar solo el porcentaje de aciertos
En problemas donde una clase es mucho más frecuente que otra (por ejemplo, detectar fraude, donde la inmensa mayoría de transacciones son legítimas), un modelo que siempre predice “no fraude” puede tener un porcentaje de aciertos altísimo y sin embargo ser completamente inútil. La matriz de confusión expone ese problema al desglosar los errores por tipo.
De ahí salen otras métricas clave
A partir de la matriz de confusión se calculan métricas como precisión, recall y el F1-score, que dan una imagen mucho más completa del comportamiento real de un modelo que un simple porcentaje de aciertos general.