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: spam | Previsto: não spam | |
|---|---|---|
| Real: spam | 40 (verdadeiros positivos, VP) | 10 (falsos negativos, FN) |
| Real: não spam | 5 (falsos positivos, FP) | 45 (verdadeiros negativos, VN) |
Em inglês, as siglas são TP, FN, FP e TN.
As métricas que saem dela
| Métrica | Fórmula | Pergunta que responde | No exemplo |
|---|---|---|---|
| Acurácia | (VP + VN) ÷ total | Quanto de tudo o modelo acertou? | 85 ÷ 100 = 85% |
| Precisão | VP ÷ (VP + FP) | Do que ele marcou como spam, quanto era spam? | 40 ÷ 45 ≈ 88,9% |
| Recall | VP ÷ (VP + FN) | Do spam real, quanto ele encontrou? | 40 ÷ 50 = 80% |
| Taxa de falsos positivos | FP ÷ (FP + VN) | Do que não era spam, quanto ele marcou errado? | 5 ÷ 50 = 10% |
| F1 | 2 × 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: formiga | Previsto: pássaro | Previsto: gato | |
|---|---|---|---|
| Real: formiga | 2 | 0 | 0 |
| Real: pássaro | 0 | 0 | 1 |
| Real: gato | 1 | 0 | 2 |
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