Python 混淆矩阵颜色匹配数据大小，而不是分类精度

我正在使用sklearn library的ConfusionMatrixDisplay在我拥有的两个列表上绘制一个混淆矩阵，虽然结果都是正确的，但有一个细节让我感到困扰。混淆矩阵中颜色的密度似乎与实例的数量相匹配，而不是与分类的准确性相匹配

这是我用来绘制混淆矩阵的代码：

target_names = ['Empty', 'Human', 'Dog', 'Dog&Human']
labels_names = [0,1,2,3] 
print(classification_report(y_true, y_pred,labels=labels_names, target_names=target_names))    
cm = confusion_matrix(y_true, y_pred,labels=labels_names)
disp = ConfusionMatrixDisplay(confusion_matrix=cm,display_labels=target_names)
disp = disp.plot(cmap=plt.cm.Blues,values_format='g')
plt.show()

现在，我从报告和混淆矩阵中得到的结果是：

正如您所看到的，“Dog”和“Dog&Human”两个类的精度都达到了1，但是“Dog”类的颜色是唯一一个具有深蓝色的。即使是“Empty”类（它有一些错误分类的实例）也有一个较暗的颜色，这使它看起来分类更好。这显然是由于每个类中的数据数量，但是，颜色不应该取决于分类的性能，而不是正确检测到的实例的数量吗

---

我试着规范化混淆矩阵，它解决了这个问题，但是我更喜欢用一个矩阵来显示实际的数字，而不是百分比。有什么解决办法吗？非常感谢。

混乱\u矩阵函数允许您按行或列对矩阵进行规范化，这有助于解决您面临的类不平衡问题。而不是：

confusion_matrix(y_true, y_pred,labels=labels_names)

只需通过：

confusion_matrix(y_true, y_pred,labels=labels_names,normalize='true')

---

。。。按行进行规范化，我认为这是您想要的

normalize='pred'

将允许您按列进行规范化。查看更多详细信息。

非常感谢您的回答。我以前尝试过

normalize='true'

，但是结果有点不对劲，但是按照您的建议将其更改为

normalize='pred'

，颜色问题和百分比是正确的。但是，有没有一种方法可以解决颜色问题而不必进行标准化？我想保留数据的实际数量，因为它可以更好地了解情况。