Matriz de confusão (confusion matrix): o que é

Letra

Atualizado em 04/11/2026: texto corrigido: precisão é a parte dos positivos previstos que estava certa; a proporção de acertos no total é a acurácia. A matriz só tem quatro células em duas classes. Entraram exemplo calculado, fórmulas e fontes. Como conferimos os dados

A matriz de confusão (confusion matrix) é a tabela que cruza as classes reais com as classes previstas por um modelo de classificação. Cada célula conta quantos exemplos caíram naquela combinação. A diagonal mostra os acertos, e o resto mostra quais classes o modelo está confundindo.

Exemplo com duas classes

Um filtro de spam avaliou 100 e-mails, em números de exemplo. “Positivo” aqui é ser spam.

Previsto: spamPrevisto: não spam
Real: spam40 (verdadeiros positivos, VP)10 (falsos negativos, FN)
Real: não spam5 (falsos positivos, FP)45 (verdadeiros negativos, VN)

Em inglês, as siglas são TP, FN, FP e TN.

As métricas que saem dela

MétricaFórmulaPergunta que respondeNo exemplo
Acurácia(VP + VN) ÷ totalQuanto de tudo o modelo acertou?85 ÷ 100 = 85%
PrecisãoVP ÷ (VP + FP)Do que ele marcou como spam, quanto era spam?40 ÷ 45 ≈ 88,9%
RecallVP ÷ (VP + FN)Do spam real, quanto ele encontrou?40 ÷ 50 = 80%
Taxa de falsos positivosFP ÷ (FP + VN)Do que não era spam, quanto ele marcou errado?5 ÷ 50 = 10%
F12 × VP ÷ (2 × VP + FP + FN)Como ficam precisão e recall juntos?80 ÷ 95 ≈ 84,2%

Acurácia e precisão parecem sinônimos no português do dia a dia, mas em machine learning são métricas diferentes: a acurácia olha todas as previsões, e a precisão olha só as positivas.

Por que não olhar só a acurácia

Com classes desbalanceadas, a acurácia engana. Em 1.000 e-mails com 10 spams, um modelo que nunca marca spam acerta 990 e tem 99% de acurácia, com recall de 0%: é inútil. A matriz deixa isso visível, porque mostra os 10 falsos negativos.

Outro ponto: a matriz vale para um limiar de decisão fixo. Se o limiar mudar, os números e as métricas também mudam.

Com mais de duas classes

Com n classes, a matriz é n × n, e as quatro células só existem no caso binário. No exemplo da documentação do scikit-learn, com as classes formiga, pássaro e gato, a linha do pássaro mostra que o único pássaro real foi previsto como gato:

Previsto: formigaPrevisto: pássaroPrevisto: gato
Real: formiga200
Real: pássaro001
Real: gato102

Em código: atenção à ordem

Nem toda referência monta a tabela do mesmo jeito: em algumas, as linhas são o valor real; em outras, são o previsto. No scikit-learn, confusion_matrix(y_true, y_pred) usa linhas para o real e colunas para o previsto. No caso binário, a ordem é tn, fp, fn, tp, então os verdadeiros positivos ficam no canto inferior direito, e não no superior esquerdo como na tabela acima.

Termos relacionados

Fontes (conferidas em 04/11/2026): scikit-learn: confusion_matrix · Google: acurácia, recall e precisão · Wikipédia (inglês): Confusion matrix · scikit-learn: f1_score

← Todos os termos do ABC da IA