Матрица ошибок – это метрика производительности классифицирующей модели Машинного обучения (ML). Когда мы получаем данные, то после очистки и предварительной обработки, первым делом передаем их в модель и, конечно же, получаем результат в виде вероятностей. Но как мы можем измерить эффективность нашей модели? Именно здесь матрица ошибок и оказывается в центре внимания. Матрица ошибок – это показатель успешности классификации, где классов два или более. Это таблица с 4 различными комбинациями сочетаний прогнозируемых и фактических значений...

Для тех кто исследует результаты ML алгоритмов, задач классификации. Нужно как-то визуально представить данные. Это позволяет быстрее понимать проблемные места или убедиться что всё хорошо или докрутить алгоритм. Очень удобный инструмент на мой взгляд это матрица несоответствия https://github.com/wcipriano/pretty-print-confusion-matrix. Эта штука нужна чтобы понять например доли True Negative, True Positive, False Negative, False Positive. Для бинарной классификации, или точность классификации конкретного класса или с каким классом чаще модель путает рассмариваемый для мультиклассовой задачи...