绘制混淆矩阵时候的normalize的作用

normalize的使用有何影响？

normalize 参数用于控制混淆矩阵是否进行归一化。混淆矩阵是用于评估分类模型性能的表格，其中行表示实际类别，列表示预测类别。在可视化混淆矩阵时，有时候希望将每行的值归一化，以便更清晰地了解模型在每个类别上的性能，而不受类别样本数量的影响。

具体来说：

• 当 normalize=False 时，混淆矩阵中的值表示每个类别的样本数量，而不进行归一化。

• 当 normalize=True 时，混淆矩阵中的值被归一化为每个类别的样本百分比，即每行的和变为 1。这样可以更容易地比较不同类别之间的性能，而不受类别样本数量的差异影响。

在可视化混淆矩阵时，通常使用归一化的混淆矩阵，因为这样更容易识别模型在各个类别上的分类准确度。通过比较每个类别的归一化值，您可以更好地了解模型在不同类别上的性能表现。

学习测试代码

# 绘制混淆矩阵的图片
def plot_confusion_matrix(cm, classes,
                          normalize=False,
                          title='混淆矩阵',
                          cmap=plt.cm.Blues):
    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
        print("Normalized confusion matrix")
    else:
        print('Confusion matrix, without normalization')

    # print(cm)

    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=310, size=12)
    plt.yticks(tick_marks, classes, size=12)

    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, format(cm[i, j], fmt),
                 horizontalalignment="center",
                 color="white"
                 if cm[i, j] > thresh else "black")

        plt.tight_layout()
        plt.ylabel('真实标签', size=12)
        plt.xlabel('预测标签', size=12)