เปรียบเทียบวิธี

	เมทริกซ์ความสับสน	ความแม่นยำ	สัมประสิทธิ์สหสัมพันธ์ของแมทธิวส์	ความแม่นยำ (Precision)
สาขาวิชา	การประเมินแบบจำลอง	การประเมินแบบจำลอง	การประเมินแบบจำลอง	การประเมินแบบจำลอง
ตระกูล	MCDM	MCDM	MCDM	MCDM
ปีกำเนิด	20th century	20th century	1975	20th century
ผู้ริเริ่ม	Statistical foundations	Historical statistical foundations	Brian W. Matthews	Historical statistical foundations
ประเภท	Evaluation visualization	Evaluation metric	Evaluation metric	Evaluation metric
แหล่งต้นตำรับ	Everitt, B. S., & Hothorn, T. (2005). A Handbook of Statistical Analyses Using R. Chapman and Hall/CRC.	Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874.	Matthews, B. W. (1975). Comparison of predicted and observed secondary structure of T4 phage lysozyme. Biochimica et Biophysica Acta (BBA)-Protein Structure, 405(2), 442-451.	Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874.
ชื่อเรียกอื่น	Error Matrix, Contingency Table	Overall Accuracy, Correct Classification Rate	Phi Coefficient, Binary Classification Correlation	Positive Predictive Value, PPV
ที่เกี่ยวข้อง	5	5	5	5
สรุป	The confusion matrix is a table that displays the counts of true positives, true negatives, false positives, and false negatives. It provides a complete picture of where a classifier makes correct and incorrect predictions, enabling calculation of all other classification metrics.	Accuracy is the proportion of correct predictions among the total number of predictions made by a classification model. It is the most intuitive performance metric and measures how often the classifier makes correct predictions overall, regardless of class.	The Matthews Correlation Coefficient (MCC) is a correlation measure between predicted and actual binary classifications. It ranges from -1 to 1 and is considered one of the most reliable single-score metrics for evaluating binary classifiers, especially on imbalanced datasets.	Precision measures the proportion of positive predictions that were actually correct. It answers the question: 'Of all the cases we predicted as positive, how many were truly positive?' Precision is critical in scenarios where false positives are costly.