Matriz de confusión

La matriz de confusión es una tabla que resume cómo se equivoca un modelo de clasificación. En una clasificación binaria tiene cuatro casillas:

• Verdaderos positivos: casos positivos que el modelo detectó.
• Verdaderos negativos: casos negativos que identificó como tales.
• Falsos positivos: casos negativos que marcó por error como positivos (una falsa alarma).
• Falsos negativos: casos positivos que se le escaparon.

Con más de dos clases, la tabla crece: cada fila corresponde a la clase real y cada columna a la predicha (o al revés, según la convención), y la diagonal muestra los aciertos. Las celdas fuera de la diagonal revelan qué clases confunde el modelo entre sí, de ahí su nombre.

Su utilidad es que muestra lo que una sola cifra de exactitud esconde. Dos modelos con 95% de aciertos pueden fallar de maneras muy distintas, y no todos los errores cuestan lo mismo: en un detector de fraude, un falso negativo puede costar dinero; en una prueba médica de tamizaje, un falso negativo puede significar no tratar a tiempo a un paciente, mientras que un falso positivo genera estudios adicionales. A partir de la matriz se calculan métricas como la precisión y la exhaustividad.

Es también una herramienta para auditar equidad algorítmica: comparar matrices de confusión entre grupos (por ejemplo, por sexo o región) puede revelar que un modelo se equivoca más con unos que con otros.