Zum Inhalt
KI-BlogBriefing zu künstlicher Intelligenz

Lexikon · K

Konfusions­matrix

Kurzantwort

In einer Konfusionsmatrix steht, wie oft ein Klassifikator jede Klasse richtig erkannt und mit welcher anderen er sie verwechselt hat. Bei zwei Klassen sind das vier Felder: richtig positiv, falsch positiv, falsch negativ und richtig negativ⁠1.

Autor
Veröffentlicht
Geprüft
Lesezeit
3 Minuten
Vier-Felder-Tafel mit den Zahlen 40 und 920 für richtige Entscheidungen sowie 10 und 30 für die beiden Fehlerarten
Prüfung von 1.000 Schrauben: Auf der Diagonale stehen die richtigen Entscheidungen. Grafik: KI-Blog

Die Tabelle zeigt auf einen Blick, wo ein Klassifikator Klassen durcheinanderbringt. Auf Englisch heißt sie Confusion Matrix, im Deutschen liest man gelegentlich auch Wahrheitsmatrix. Aus ihren Feldern lassen sich die üblichen Kennzahlen eines Klassifikators ausrechnen, von der Accuracy bis zu Präzision und Recall⁠12.

Die vier Felder

Stell dir eine Qualitätskontrolle vor, die Schrauben als "defekt" (positiv) oder "in Ordnung" (negativ) einstuft. Jede geprüfte Schraube landet in genau einem von vier Feldern:

  • Richtig positiv: defekt und als defekt erkannt.
  • Falsch positiv: in Ordnung, trotzdem aussortiert, also ein Fehlalarm.
  • Falsch negativ: defekt, aber durchgelassen.
  • Richtig negativ: in Ordnung und durchgelassen.

Google führt dieselben vier Felder in seinem Lernkurs an einem Spamfilter vor⁠1. Die Summe einer Zeile oder Spalte hat jeweils eine eigene Bedeutung: Einmal ergeben sich alle tatsächlich positiven Fälle, einmal alle Fälle, die das Modell als positiv gemeldet hat⁠1.

Lesebeispiel aus der Schraubenprüfung

Prüfergebnis für 1.000 Schrauben (Rechenbeispiel)
Wahrheitals defekt eingestuftals in Ordnung eingestuft
tatsächlich defekt40 (richtig positiv)10 (falsch negativ)
tatsächlich in Ordnung30 (falsch positiv)920 (richtig negativ)

Für dieses Rechenbeispiel sind von 1.000 Schrauben 50 tatsächlich defekt. Das Modell erkennt 40 davon, 10 rutschen durch. Von den 950 guten Schrauben sortiert es 30 aus. Daraus ergibt sich eine Accuracy von 960 von 1.000, also 0,96, und ein Recall von 40 von 50, also 0,8. Die Präzision beträgt dagegen nur 40 von 70, rund 0,57: Von sieben aussortierten Schrauben sind drei gut, obwohl die Accuracy so hoch liegt.

Zeilen und Spalten: erst die Beschriftung lesen

Ob die Wahrheit in den Zeilen oder in den Spalten steht, ist nicht einheitlich geregelt. In scikit-learn stehen die tatsächlichen Klassen in den Zeilen und die Vorhersagen in den Spalten, so wie in der Tabelle oben⁠2. Googles Kurs zeichnet die Tafel umgekehrt, mit der Wahrheit in den Spalten⁠1. Die Dokumentation von scikit-learn weist selbst darauf hin, dass andere Quellen die Achsen anders anordnen⁠2. Bei einer fremden Matrix prüfst du deshalb zuerst, was an den Rändern steht.

Wenn ein Modell drei oder mehr Klassen kennt

Bei mehreren Klassen wächst die Tafel auf so viele Zeilen und Spalten, wie es Klassen gibt⁠2. Auf der Diagonale stehen die richtigen Zuordnungen, jedes Feld daneben zählt eine bestimmte Verwechslung. Ein Modell für Bilderkennung, das Hunde, Katzen und Füchse unterscheiden soll, kann insgesamt gut abschneiden und trotzdem Füchse regelmäßig für Hunde halten. In der Matrix fällt das als volles Feld abseits der Diagonale sofort auf, in der Accuracy geht es unter.

Die Zahlen einer Matrix gelten immer für eine bestimmte Schwelle. Wird sie verschoben, wandern Fälle zwischen den Feldern: Eine höhere Schwelle verringert die richtig und die falsch positiven Fälle zugleich⁠1. Das Verhalten über alle Schwellen hinweg zeichnet die ROC-Kurve nach.

Häufige Fragen

Warum heißt sie Konfusionsmatrix?

Weil sie zeigt, welche Klassen ein Modell verwechselt, auf Englisch "confuses".

Welche Kennzahlen lassen sich aus ihr berechnen?

Accuracy, Präzision, Recall, F1-Score und die Rate der Fehlalarme ergeben sich alle aus den Feldern⁠12. Die Matrix ist die Rohfassung, aus der Berichte ihre Einzelwerte ziehen.

Wie entsteht eine Konfusionsmatrix in Python?

In scikit-learn übergibst du der Funktion confusion_matrix die wahren und die vorhergesagten Klassen. Bei zwei Klassen liefert das abgeflachte Ergebnis die Felder in der Reihenfolge richtig negativ, falsch positiv, falsch negativ, richtig positiv⁠2.

Quellen

Stand:

  1. Google for Developers: Machine Learning Crash Course: Thresholds and the confusion matrix, abgerufen am 22.11.2026. zurück
  2. scikit-learn: Metrics and scoring: quantifying the quality of predictions (Version 1.9.1), abgerufen am 22.11.2026. zurück

Weiterlesen

Bilder: KI-generiert

Aus dem Lexikon

Grafiken: KI-Blog