почему содержимое в ячейках по краям в следующем выводе матрицы путаницы

Question

вывод матрицы путаницы показан выше. проблема в том, что содержимое кода находится в конце ячейки. как решить проблему. как отформатировать следующий график

код:

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix


def make_confusion_matrix(cf,
                          group_names=None,
                          categories='auto',
                          count=True,
                          percent=True,
                          cbar=True,
                          xyticks=True,
                          xyplotlabels=True,
                          sum_stats=True,
                          figsize=None,
                          cmap='Blues',
                          title=None):
    '''
    This function will make a pretty plot of an sklearn Confusion Matrix cm using a Seaborn heatmap visualization.
    Arguments
    ---------
    cf:            confusion matrix to be passed in
    group_names:   List of strings that represent the labels row by row to be shown in each square.
    categories:    List of strings containing the categories to be displayed on the x,y axis. Default is 'auto'
    count:         If True, show the raw number in the confusion matrix. Default is True.
    normalize:     If True, show the proportions for each category. Default is True.
    cbar:          If True, show the color bar. The cbar values are based off the values in the confusion matrix.
                   Default is True.
    xyticks:       If True, show x and y ticks. Default is True.
    xyplotlabels:  If True, show 'True Label' and 'Predicted Label' on the figure. Default is True.
    sum_stats:     If True, display summary statistics below the figure. Default is True.
    figsize:       Tuple representing the figure size. Default will be the matplotlib rcParams value.
    cmap:          Colormap of the values displayed from matplotlib.pyplot.cm. Default is 'Blues'
                   See http://matplotlib.org/examples/color/colormaps_reference.html

    title:         Title for the heatmap. Default is None.
    '''


    # CODE TO GENERATE TEXT INSIDE EACH SQUARE
    blanks = ['' for i in range(cf.size)]

    if group_names and len(group_names)==cf.size:
        group_labels = ["{}\n".format(value) for value in group_names]
    else:
        group_labels = blanks

    if count:
        group_counts = ["{0:0.0f}\n".format(value) for value in cf.flatten()]
    else:
        group_counts = blanks

    if percent:
        group_percentages = ["{0:.2%}".format(value) for value in cf.flatten()/np.sum(cf)]
    else:
        group_percentages = blanks

    box_labels = [f"{v1}{v2}{v3}".strip() for v1, v2, v3 in zip(group_labels,group_counts,group_percentages)]
    box_labels = np.asarray(box_labels).reshape(cf.shape[0],cf.shape[1])


    # CODE TO GENERATE SUMMARY STATISTICS & TEXT FOR SUMMARY STATS
    if sum_stats:
        #Accuracy is sum of diagonal divided by total observations
        accuracy  = np.trace(cf) / float(np.sum(cf))

        #if it is a binary confusion matrix, show some more stats
        if len(cf)==2:
            #Metrics for Binary Confusion Matrices
            precision = cf[1,1] / sum(cf[:,1])
            recall    = cf[1,1] / sum(cf[1,:])
            f1_score  = 2*precision*recall / (precision + recall)
            stats_text = "\n\nAccuracy={:0.4f}\nPrecision={:0.4f}\nRecall={:0.4f}\nF1 Score={:0.4f}".format(
                accuracy,precision,recall,f1_score)
        else:
            stats_text = "\n\nAccuracy={:0.3f}".format(accuracy)
    else:
        stats_text = ""


    # SET FIGURE PARAMETERS ACCORDING TO OTHER ARGUMENTS
    if figsize==None:
        #Get default figure size if not set
        figsize = plt.rcParams.get('figure.figsize')

    if xyticks==False:
        #Do not show categories if xyticks is False
        categories=False


    # MAKE THE HEATMAP VISUALIZATION
    plt.figure(figsize=figsize)
    sns.heatmap(cf,annot=box_labels,fmt="",cmap=cmap,cbar=cbar,xticklabels=categories,yticklabels=categories)

    if xyplotlabels:
        plt.ylabel('True label')
        plt.xlabel('Predicted label' + stats_text)
    else:
        plt.xlabel(stats_text)

    if title:
        plt.title(title)
    plt.show()


labels = ["True_Neg","False_Pos","False_Neg","True_Pos"]
categories = ['Zero', 'One']
cm =  np.array([[54, 8],[0, 69]])#confusion_matrix(y_test,y_pred) [[545, 8],[0, 697]]
print(cm)
make_confusion_matrix(cm,group_names=labels,
                      categories=categories, 
                      )

Эта функция создаст симпатичный график Sklearn Confusion Matrix с использованием визуализации тепловой карты Seaborn.

Аргументы cf: матрица путаницы, передаваемая в group_names: список строк, представляющих метки строка за строкой для отображения в каждом квадрате. Категории: Список строк, содержащих категории, которые будут отображаться на оси x, y. По умолчанию установлено значение 'auto'

count: если True, показать необработанное число в матрице путаницы. По умолчанию установлено значение True.

normalize: если установлено значение True, отобразите пропорции для каждой категории. По умолчанию установлено значение True.

cbar: если True, показать цветную полосу. Значения cbar основаны на значениях в матрице путаницы. По умолчанию установлено значение True.

xyticks: Если True, показывать отметки x и y. По умолчанию установлено значение True.

xyplotlabels: если значение True, показать «True Label» и «Predicted Label» на рисунке. По умолчанию установлено значение True.

sum_stats: если значение True, отображать сводную статистику под рисунком. По умолчанию установлено значение True.

figsize: кортеж, представляющий размер фигуры. Значением по умолчанию будет значение matplotlib rcParams.

cmap: Цветовая карта значений, отображаемых из matplotlib.pyplot.cm. По умолчанию используется заголовок «Блюз»: заголовок тепловой карты. По умолчанию None.