En aprendizaje automático, una matriz de confusión es una herramienta crucial utilizada para evaluar el rendimiento de un modelo de clasificación. Esta matriz encapsula eficazmente las predicciones del modelo, contrastándolas con los resultados reales.

Dentro de scikit-learn, la creación de una matriz de confusión se facilita mediante la función confusion_matrix, alojada en el módulo sklearn.metrics. Esta función requiere dos entradas fundamentales: las etiquetas verdaderas y las etiquetas predichas, produciendo así una matriz cuadrada donde las filas y columnas se alinean con estas etiquetas.

El núcleo de la matriz de confusión comprende cuatro valores clave: verdaderos positivos (VP o TP), falsos positivos (FP), verdaderos negativos (VN o TN) y falsos negativos (FN). Estos valores son instrumentales para cuantificar la precisión predictiva del modelo, distinguiendo entre pronósticos correctos y erróneos.

Además, esta matriz es fundamental para calcular métricas críticas como exactitud (accuracy), precisión (precision), sensibilidad (recall) y la puntuación F1 (F1 score). Por ejemplo, la exactitud se deriva de la fórmula: (VP + VN) / (VP + VN + FP + FN).