🧠 Macierz Pomyłek – Jak to działa?

Wyobraźmy sobie, że tworzymy sztuczną inteligencję (AI), która ma rozpoznawać, czy na zdjęciu jest kot czy pies. AI patrzy na zdjęcia i podejmuje decyzje, ale czasem się myli. Macierz pomyłek to sposób na zmierzenie, jak często model jest poprawny, a jak często się myli.

📊 Macierz Pomyłek w Akcji

Macierz pomyłek to tabela 2x2, w której zapisujemy cztery możliwe przypadki:

Rzeczywistość →	Model mówi: KOT	Model mówi: PIES
To jest naprawdę KOT	✅ True Positive (TP) – AI poprawnie rozpoznała kota	❌ False Negative (FN) – AI błędnie powiedziała, że to pies
To jest naprawdę PIES	❌ False Positive (FP) – AI błędnie powiedziała, że to kot	✅ True Negative (TN) – AI poprawnie rozpoznała psa

🔍 Co oznaczają te skróty?

1️⃣ True Positive (TP) – Prawdziwy Pozytyw ✅
→ Model powiedział “To kot” i rzeczywiście był to kot. Super!

2️⃣ True Negative (TN) – Prawdziwy Negatyw ✅
→ Model powiedział “To pies” i faktycznie był to pies. Dobra robota!

3️⃣ False Positive (FP) – Fałszywy Pozytyw ❌
→ Model powiedział “To kot”, ale na zdjęciu był pies. Ups, pomyłka!

4️⃣ False Negative (FN) – Fałszywy Negatyw ❌
→ Model powiedział “To pies”, ale to był kot. Źle, coś poszło nie tak!

📌 Dlaczego to ważne?

Wyobraź sobie, że AI wykrywa chorych pacjentów w szpitalu. Jeśli AI powie “Jesteś zdrowy”, ale naprawdę ktoś jest chory (False Negative), może to być groźne.
A jeśli AI powie “Jesteś chory”, ale osoba jest zdrowa (False Positive), to też może być problem (niepotrzebne leczenie, stres).

Macierz pomyłek pomaga sprawdzić, czy model dobrze rozpoznaje rzeczywistość, czy raczej często się myli. 📊

🔥 Podsumowanie

Macierz pomyłek pokazuje, jak często model miał rację, a jak często się mylił.
Ważne jest nie tylko to, czy model działa dobrze w ogóle (Accuracy), ale jakie robi błędy (FP, FN).
Używa się jej do sprawdzania skuteczności modeli AI, np. w rozpoznawaniu obrazów i wielu innych zastosowaniach.