Python UndefinedMetricWarning:F分数定义不清，在没有预测样本的标签中设置为0.0

我得到了一个奇怪的错误：

classification.py:1113: UndefinedMetricWarning: F-score is ill-defined and being set to 0.0 in labels with no predicted samples.
'precision', 'predicted', average, warn_for)`

但它也会在我第一次跑步时打印f分数：

metrics.f1_score(y_test, y_pred, average='weighted')

第二次运行时，它会提供无错误的分数。为什么呢

>>> y_pred = test.predict(X_test)
>>> y_test
array([ 1, 10, 35,  9,  7, 29, 26,  3,  8, 23, 39, 11, 20,  2,  5, 23, 28,
       30, 32, 18,  5, 34,  4, 25, 12, 24, 13, 21, 38, 19, 33, 33, 16, 20,
       18, 27, 39, 20, 37, 17, 31, 29, 36,  7,  6, 24, 37, 22, 30,  0, 22,
       11, 35, 30, 31, 14, 32, 21, 34, 38,  5, 11, 10,  6,  1, 14, 12, 36,
       25,  8, 30,  3, 12,  7,  4, 10, 15, 12, 34, 25, 26, 29, 14, 37, 23,
       12, 19, 19,  3,  2, 31, 30, 11,  2, 24, 19, 27, 22, 13,  6, 18, 20,
        6, 34, 33,  2, 37, 17, 30, 24,  2, 36,  9, 36, 19, 33, 35,  0,  4,
        1])
>>> y_pred
array([ 1, 10, 35,  7,  7, 29, 26,  3,  8, 23, 39, 11, 20,  4,  5, 23, 28,
       30, 32, 18,  5, 39,  4, 25,  0, 24, 13, 21, 38, 19, 33, 33, 16, 20,
       18, 27, 39, 20, 37, 17, 31, 29, 36,  7,  6, 24, 37, 22, 30,  0, 22,
       11, 35, 30, 31, 14, 32, 21, 34, 38,  5, 11, 10,  6,  1, 14, 30, 36,
       25,  8, 30,  3, 12,  7,  4, 10, 15, 12,  4, 22, 26, 29, 14, 37, 23,
       12, 19, 19,  3, 25, 31, 30, 11, 25, 24, 19, 27, 22, 13,  6, 18, 20,
        6, 39, 33,  9, 37, 17, 30, 24,  9, 36, 39, 36, 19, 33, 35,  0,  4,
        1])
>>> metrics.f1_score(y_test, y_pred, average='weighted')
C:\Users\Michael\Miniconda3\envs\snowflakes\lib\site-packages\sklearn\metrics\classification.py:1113: UndefinedMetricWarning: F-score is ill-defined and being set to 0.0 in labels with no predicted samples.
  'precision', 'predicted', average, warn_for)
0.87282051282051276
>>> metrics.f1_score(y_test, y_pred, average='weighted')
0.87282051282051276
>>> metrics.f1_score(y_test, y_pred, average='weighted')
0.87282051282051276

另外，为什么会有一条“精度”、“预测值”、“平均值”、“警告值”的错误消息？没有开括号，为什么以右括号结尾？我正在Windows10上的conda环境中使用Python 3.6.0运行sklearn 0.18.1

---

我也看了一下，不知道是不是同一个bug。这也没有解决方案。

如注释中所述，

y\u test

中的一些标签没有出现在

y\u pred

中。特别是在这种情况下，永远不会预测标签“2”：

>>> set(y_test) - set(y_pred)
{2}

这意味着该标签没有可计算的F分数，因此该情况下的F分数被视为0.0。由于您要求获得平均分数，因此必须考虑到计算中包含了0分，这就是scikit learn向您显示该警告的原因

这让我想到你不会再次看到错误。正如我提到的，这是一个警告，其处理方式与python中的错误不同。大多数环境中的默认行为是仅显示一次特定警告。此行为可以更改：

import warnings
warnings.filterwarnings('always')  # "error", "ignore", "always", "default", "module" or "once"

如果在导入其他模块之前设置此选项，则每次运行代码时都会看到警告

除了设置

warnings.filterwarnings（'ignore'）

，没有办法避免第一次看到此警告。您可以做的是确定您对未预测的标签分数不感兴趣，然后明确指定您感兴趣的标签（这些标签至少预测了一次）：

---

本例中未显示警告。

如错误消息所述，用于获取F分数的方法来自sklearn的“分类”部分，因此，这里所说的“标签”

你有回归问题吗？Sklearn为“特征选择”组下的回归提供了“F分数”方法：

---

如果您确实有分类问题，@Shovalt的答案在我看来似乎是正确的。

公认的答案已经很好地解释了为什么会出现警告。如果您只是想控制警告，可以使用。它为提供了一个（半官方）参数

warn\u，可用于使警告静音

(_, _, f1, _) = metrics.precision_recall_fscore_support(y_test, y_pred,
                                                        average='weighted', 
                                                        warn_for=tuple())

正如一些评论中已经提到的，请谨慎使用。
根据@Shovalt的回答，但简而言之：

或者，您可以使用以下代码行

    from sklearn.metrics import f1_score
    metrics.f1_score(y_test, y_pred, labels=np.unique(y_pred))

这将删除您的警告并提供您想要的结果，因为它不再使用唯一模式考虑集合之间的差异。
在我训练分类模型时，同样的问题也发生在我身上。
导致此问题的原因是警告消息所说的“在没有预测样本的标签中”，它将在计算f1分数时导致零除法。
我在阅读文档时发现了另一个解决方案，注意如下：

当真阳性+假阳性==0时，精度未定义；当真阳性+假阴性==0时，召回未定义。在这种情况下，默认情况下，度量将设置为0，f分数也将设置为0，并且将引发UndefinedMetricWarning。可以使用零除法修改此行为

zero\u division
默认值为
“warn”
，您可以将其设置为
0
或
1
，以避免
未定义度量警告。
它对我有用；）哦，等等，当我使用
zero\u division
时，还有一个问题，我的sklearn报告使用scikit learn 0.21.3时没有这样的关键字参数。只需通过运行
pip install scikit learn-U
将您的sklearn更新至最新版本，因为我注意到此错误发生在两种情况下

如果已使用train_test_split（）分割数据，则必须确保重置数据的索引（特别是在使用pandas series对象时）：应重置y_train，y_测试索引。问题是当您尝试使用sklearn.metrics中的一个分数时，例如；精度分数，这将尝试匹配从train_test_split（）获得的y_测试的无序索引
因此，可以使用np.array（y_test）表示y_分数为真，也可以使用y_test.reset_索引（drop=true）

如果预测的“真阳性”为0，则仍然可能出现此错误，这用于精度、召回率和f1_分数。您可以使用混淆矩阵将其可视化。如果分类为多标签，并且您设置了param:average='weighted'/micro/macro，那么只要矩阵中的对角线不是0，您就会得到答案
希望这有帮助
 我在这里也犯了同样的错误，但在读了@Shovalt的答案后，我意识到我的测试/训练分数很低。我一开始有一个很大的数据集，但我把它分成了几个小组，其中一个小组相当小。通过加大样本量，这个警告消失了，我得到了我的f1分数。
由此

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=0)

对此

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

y_true中有一些标签没有出现在y_pred中，因此它是不健康的-defined@VivekKumar我也收到了同样的警告。我有一个平衡的数据集（500+500），这个警告似乎是在
clf=GridSearchCV（SVC（C=2），调优的参数，cv=cv，scoring='f1'）clf.fit（X\u序列，y\u序列）
阶段出现的。看看是什么导致了警告或如何纠正它会很好。你指出回归和分类之间的区别是正确的，但我从问题中的
y_test
和
y_pred
的离散性得出结论，这是一个分类问题。这是一个很好的答案，但我要注意不要选择使用
unique（y_pred）
计算f1分数，因为这可能会产生误导性的sc
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)