Python 为什么scikitlearn说F1分数定义不清，FN大于0？

我运行了一个python程序，调用

sklearn.metrics

的方法来计算精度和F1分数。以下是没有预测样本时的输出：

/xxx/py2-scikit-learn/0.15.2-comp6/lib/python2.6/site-packages/sklearn/metr\
ics/metrics.py:1771: UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 due to no predicted samples.
  'precision', 'predicted', average, warn_for)

/xxx/py2-scikit-learn/0.15.2-comp6/lib/python2.6/site-packages/sklearn/metr\
ics/metrics.py:1771: UndefinedMetricWarning: F-score is ill-defined and being set to 0.0 due to no predicted samples.
  'precision', 'predicted', average, warn_for)

当没有预测样本时，意味着TP+FP为0，因此

• 精度（定义为TP/（TP+FP））为0/0，未定义
• 如果FN不为零，F1得分（定义为2TP/（2TP+FP+FN））为0

在我的例子中，

sklearn.metrics

还将准确度返回为0.8，召回率返回为0。所以FN不是零

但为什么西基勒恩说F1定义不清

Scikelearn对F1的定义是什么？

F1=2*（精度*召回）/（精度+召回）

精度=TP/（TP+FP），正如你们刚才所说的，若预测器根本不能预测正类，则精度为0

召回率=TP/（TP+FN），如果预测值不能预测阳性类别-TP为0-召回率为0

---

所以现在你要除以0/0。

精度、召回率、F1成绩和精度计算

- In a given image of Dogs and Cats

  * Total Dogs - 12  D = 12
  * Total Cats - 8   C = 8

- Computer program predicts

  * Dogs - 8  
    5 are actually Dogs   T.P = 5
    3 are not             F.P = 3    
  * Cats - 12
    6 are actually Cats   T.N = 6 
    6 are not             F.N = 6

- Calculation

  * Precision = T.P / (T.P + F.P) => 5 / (5 + 3)
  * Recall    = T.P / D           => 5 / 12

  * F1 = 2 * (Precision * Recall) / (Precision + Recall)
  * F1 = 0.5

  * Accuracy = T.P + T.N / P + N
  * Accuracy = 0.55

---

维基百科

请将答案标记为已接受。