Für den Anfang schon mal :
https://de.wikipedia.org/wiki/Beurteilung_ein...
... Wahrheitsmatrix: Richtige und falsche Klassifikationen
Um einen Klassifikator zu bewerten, muss man ihn in einer Reihe von Fällen anwenden, bei denen man zumindest im Nachhinein Kenntnis über die „wahre“ Klasse der jeweiligen Objekte hat. Ein Beispiel für so einen Fall ist ein medizinischer Labortest, mit dem festgestellt werden soll, ob eine Person eine bestimmte Krankheit hat. Später wird durch aufwändigere Untersuchungen festgestellt, ob die Person tatsächlich an dieser Krankheit leidet. Der Test stellt einen Klassifikator dar, der die Personen in die Kategorien „krank“ und „gesund“ einordnet. Da es sich um eine Ja/Nein-Frage handelt, sagt man auch, der Test fällt positiv (Einordnung „krank“) oder negativ (Einordnung „gesund“) aus. Um zu beurteilen, wie gut geeignet der Labortest für die Diagnose der Krankheit ist, wird nun bei jedem Patienten dessen tatsächlicher Gesundheitszustand mit dem Ergebnis des Tests verglichen. Dabei können vier mögliche Fälle auftreten:
Richtig positiv: Der Patient ist krank, und der Test hat dies richtig angezeigt.
Falsch negativ: Der Patient ist krank, aber der Test hat ihn fälschlicherweise als gesund eingestuft.
Falsch positiv: Der Patient ist gesund, aber der Test hat ihn fälschlicherweise als krank eingestuft.
Richtig negativ: Der Patient ist gesund, und der Test hat dies richtig angezeigt. ...
https://en.wikipedia.org/wiki/Confusion_matrix
In the field of machine learning and specifically the problem of statistical classification, a confusion matrix, also known as an error matrix,[9] is a specific table layout that allows visualization of the performance of an algorithm, typically a supervised learning one (in unsupervised learning it is usually called a matching matrix). Each row of the matrix represents the instances in an actual class while each column represents the instances in a predicted class, or vice versa – both variants are found in the literature.[10] The name stems from the fact that it makes it easy to see whether the system is confusing two classes (i.e. commonly mislabeling one as another).
It is a special kind of contingency table, with two dimensions ("actual" and "predicted"), and identical sets of "classes" in both dimensions (each combination of dimension and class is a variable in the contingency table). ...
Allerdings werden hier Wikipedia-Auszüge alleine nicht als ausreichende Belege angesehen ... manche lehnen sie sogar ganz ab ... ein paar zusätzliche Quellen mit Textauszügen wäre also mehr als willkommen ...
Auch für das zweite Wortpaar fehlen entsprechende Belege ... beide Begriffe werden in den verlinkten Wiki-Artikel nicht mal erwähnt ...
