Tableau 2×2 (pour la classification binaire) qui synthétise les performances d'un modèle en croisant prédictions et réalité. Les quatre cellules : Vrais Positifs (TP : prédit positif, réellement positif), Faux Positifs (FP : prédit positif, réellement négatif — erreur de type I), Faux Négatifs (FN : prédit négatif, réellement positif — erreur de type II), Vrais Négatifs (TN : prédit négatif, réellement négatif). La confusion matrix permet de calculer toutes les métriques dérivées : accuracy (TP+TN)/total, precision TP/(TP+FP), recall TP/(TP+FN), specificity TN/(TN+FP). Pour la classification multi-classes, la matrice est N×N. L'analyse de la confusion matrix révèle les classes que le modèle confond le plus souvent, guidant les stratégies d'amélioration (plus de données sur les cas mal classés, features spécifiques).