Waarom is dit belangrijk?
Met een verwarringsmatrix wordt zichtbaar welke foute indeling een model maakt, zodat teams kunnen bijsturen voordat een systeem beslissingen neemt. In de zorg helpt zo'n overzicht om te zien of een test een ziekte mist of een gezond persoon ten onrechte als ziek aanmerkt. Voor patiënten en zorgverleners telt dat verschil: een gemiste diagnose vertraagt behandeling, terwijl een loos alarm onnodige onrust en vervolgonderzoek geeft.
Zo werkt het in de praktijk
Teams in machine learning gebruiken een verwarringsmatrix om een classificatiemodel te beoordelen. De software scikit-learn berekent die tabel, bijvoorbeeld bij handgeschreven cijfers en bij tekstdocumenten. Bij ongecontroleerd leren, zonder vooraf bekende klassen, heet zo'n tabel vaak een matchingmatrix.
Onderzoekers bouwen de verwarringsmatrix ook voor complexere taken. Die variant werkt ook met meerdere labels per voorbeeld en met labels die deels kloppen. Andere onderzoekers bekijken of een juiste voorspelling op redeneren berust of op toeval.
In voorspellende analyse komen precisie en recall uit de cellen van de verwarringsmatrix. Die maten tonen per klasse meer dan alleen het percentage goede antwoorden, vooral bij ongelijke klassen. Scikit-learn koppelt de tabel aan het meten van classificatienauwkeurigheid.




