请教这段Python混淆矩阵归一化代码的具体工作原理

先看你提到的代码：

cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]

这段代码的核心是按行归一化混淆矩阵，让每行的数值总和为1，这样就能直接看出每个真实类别被预测为各类别的比例，下面拆解每部分的作用：

• cm.astype('float')：把混淆矩阵的元素类型转换成浮点型。原始混淆矩阵通常是整数（统计的样本数量），转成浮点型后才能得到0到1之间的小数结果，避免整数除法带来的精度丢失问题。

• cm.sum(axis=1)：计算混淆矩阵每行的总和。axis=1表示沿着行的方向求和，得到的是一个一维数组，每个元素对应原矩阵某一行的总样本数——也就是该真实类别的所有样本数量。

• [:, np.newaxis]：把刚才得到的一维数组转换成二维列向量。原混淆矩阵是n×n的二维数组，直接用一维数组做除法会触发维度不匹配的问题，转成列向量（形状从(n,)变成(n,1)）后，就能和原矩阵逐行对应，让每行的每个元素都除以该行的总和。

• 整体除法运算：把转换后的浮点型矩阵，逐行除以对应行的总样本数。处理后每行的所有元素加起来等于1，每个元素的数值就是「真实为该类的样本中，被预测为对应列类别的比例」。

举个简单例子直观理解：
假设原始混淆矩阵是：

[[5, 2],  # 真实类别0的样本：5个被正确预测，2个被错分到类别1
 [1, 6]]  # 真实类别1的样本：1个被错分到类别0，6个被正确预测

• cm.sum(axis=1)得到[7,7]，转成列向量后是[[7],[7]]
• 逐行除法后得到归一化的矩阵：

[[0.714, 0.286],
 [0.143, 0.857]]

第一行的0.714就是真实类别0的样本中正确分类的占比，0.286是错分占比；第二行同理，0.857是真实类别1的正确分类占比。

内容的提问来源于stack exchange，提问作者Doris_chi