sklearn 计算precison，recall，f1指标时候，如果分母存在0，则会出现以下报错。解决办法如下。

已于 2023-11-29 16:19:04 修改
阅读量698 收藏 2
点赞数 1
文章标签： sklearn python 机器学习
于 2023-11-29 15:50:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_45572128/article/details/134691932
版权
文章讲述了在使用sklearn计算精度、召回率和F1分数时，遇到分母为0的错误，通过设置zero_division参数为np.nan或0可解决此问题，避免错误并确保在无预测样本时正确处理。示例展示了如何应用这一技巧。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

sklearn 计算precison，recall，f1指标时候，如果分母存在0，则会出现以下报错。
错误提示：
Precision is ill-defined and being set to 0.0 in labels with no predicted samples. Use zero_division parameter to control this behavior

报错会影响运行速度，可以设置zero_division=np.nan 或者等于0，1，都可以实现2个效果
1，不会报错
2，分母为0时候，数值将赋值为nan
示例如下：
p =precision_score(yTrue,yPred,average=None,labels=scoreLab,zero_division=np.nan)

romo2222
关注
sklearn.metrics.f1_score 使用方法
壮壮不太胖的学习笔记
04-25 2万+
原网站：sklearn官网 使用sklearn计算 F1 score sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn') 计算F1分数，也称为平衡F分数或F测度 F1分数可...
分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）
热门推荐
THEAQING
05-10 12万+
四个基本概念 TP、True Positive 真阳性：预测为正，实际也为正 FP、False Positive 假阳性：预测为正，实际为负 FN、False Negative 假阴性：预测与负、实际为正 TN、True Negative 真阴性：预测为负、实际也为负。 【一致判真假，预测判阴阳。】 以分类问题为例：（word公式为什么粘不过来？？头疼。）...
深度学习指标precision，recall，f1不正常
a669466956的博客
12-26 1018
目前研究方向是做道路分割，做精度评价使用的指标是iou，precision，recall，f1。做测试发现precision，recall，f1总是特别低，百思不得其解。最后只能查看每张测试图像的计算结果。发现有很多图像iou为1，但是precision，recall，f1都为0，终于恍然大悟，原来有很多图像上是一个道路像素都没有的，求precision，recall，f1指标时我只在分母上加了平滑项。
分析 UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 in labels with no predicte
最新发布
qlkaicx的博客
06-07 1873
例如，设置为 1 或者其他你认为合适的值，这样当没有预测样本时，精度可以被设置为你指定的值。这是一个特别有用的功能，特别是在处理不平衡数据集时，某些类可能在测试集中很少或没有出现。库，意思是在计算分类精度（Precision）时，出现了未定义的情况，因为有些标签的预测样本数为零。这通常发生在分类模型对某个类别完全没有进行预测的情况下。设置为 0，意味着如果没有预测的样本，那么精度（Precision）将被定义为 0.0。这是为了避免在计算平均精度时出现除以零的错误。
UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 due to no predicted samples.
Yan456jie的专栏
03-08 2万+
# -*- coding: utf-8 -*- import jieba, os import codecs from gensim import corpora, models, similarities from pprint import pprint from collections import defaultdict import sys import pickle from src.
【sklearn报错解决方案】UndefinedMetricWarning: Precision is ill-defined and being set to 0.0
十一月廿七风雨大作
07-18 2万+
精确率计算的是所有样本的平均精确率。而对于每个样本来说，精确率就是预测正确的标签数在整个预测为正确的标签数中的占比。的某一行改为全0，数据如下。改为全0，数据如下。
分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线
少年龙龙的博客
05-11 1万+
文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积） 一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit
一文读懂xgboost,lightgbm分类评价指标precison/recall/TP/FP/TN/FN与阈值threshold的选取
weixin_44625028的博客
03-04 5191
二分类的阈值threshold如何选择
分类问题的几个指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）
ii偏闹i的博客
11-09 2399
混肴矩阵 True Positive(TP) False Negative(FN) False Positive(FP) False Positive(FP) TP、True Positive   真阳性：预测为正，实际也为正 FP、False Positive  假阳性：预测为正，实际为负 FN、False Negative 假阴性：预测与负、实际为正 TN、True...
召回率 精确率 matlab,「机器学习」准确率、精确率、召回率、F1分数、ROC-AUC
weixin_34957720的博客
03-20 3193
「机器学习」准确率、精确率、召回率、F1分数、ROC-AUC机器学习最后更新 2020-08-31 16:22阅读 210最后更新 2020-08-31 16:22阅读 210机器学习在机器学习中衡量一个模型是否准确我们有很多指标：准确率 - accuracy精确率 - precision召回率 - recallF1分数-F1 scoreROC曲线下面积 - ROC-AUC (area under...
UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 in labels with no predicted sa
Yeoman92的博客
07-19 2万+
from sklearn import metricsy_true = [0, 1, 2, 0, 1, 2] y_pred = [0, 2, 1, 0, 0, 1]y_true_1 = [0, 1, 2, 0, 1, 2] y_pred_1 = [0, 2, 3, 0, 0, 1]y_true_2 = [0, 1, 2, 0, 1, 2] y_pred_2 = [0, 1, 1, 0, 0, 1]
F-score is ill-defined and being set to 0.0 in labels with no true samples.
weixin_43301333的博客
02-16 700
转自 生肉地址：https://stackoverflow.com/questions/43162506/undefinedmetricwarning-f-score-is-ill-defined-and-being-set-to-0-0-in-labels-wi 原因：存在一些样本 label 为 y_true，但是你的 y_pred 并没有预测到。 比如 y_true = (0, 1, 2, 3, 4) y_pred = (0, 1, 1, 3, 4) label‘2’ 从来没有被预测到，所以F-sc
（完全解决）Precision and F-score are ill-defined for being 0.0 in labels with no predicted samples.
qq_43391414的博客
09-29 3万+
首先，这个错误是在使用如下包才出现的。 from sklearn.metrics import classification_report,accuracy_score 然后，运行我的其他代码，警告如下： UndefinedMetricWarning: Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted samples. Use zero_division parameter to
F-score is ill-defined and being set to 0.0 due to no predicted samples.
NockinOnHeavensDoor的博客
12-09 5220
还是StackOverflow：here 原话：F1 = 2 * (precision * recall) / (precision + recall)precision = TP/(TP+FP)as you’ve just said if predictor doesn’t predicts positive class at all - precision is 0.recall = TP/(
程序运行出现 UndefinedMetricWarning: Precision and F-score are ill-defined and being set to 0.0 in labels
ASS-ASH的博客
03-26 7985
程序运行时出现以下问题·： UndefinedMetricWarning: Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted samples. Use `zero_division` parameter to control this behavior. 并且模型学习过程中验证集准确率一直在50%，最后结果也是百分之50% 以二分类为例，就是说程序分类的预测标签上只有一类 ..
论文数据分析-4(论文种类分类)
qq_36559719的博客
01-23 973
任务4：论文种类分类 这部分内容作者还没有完成，先放出来大家参考，作者会继续补充，不喜勿喷 4.1 任务说明 学习主题：论文分类（数据建模任务），利用已有数据建模，对新论文进行类别分类； 学习内容：使用论文标题完成类别分类； 学习成果：学会文本分类的基本方法、TF-IDF等 4.3 文本分类思路 思路1：TF-IDF+机器学习分类器 直接使用TF-IDF对文本提取特征，使用分类器进行分类，分类器的选择上可以使用SVM、LR、XGboost等 思路2：FastText FastText是入门款的词向量，利用F
2021-12-12-机器学习评价指标总结
weixin_44719529的博客
12-12 2606
模块学习
Precision，Recall和F1
laolu1573的专栏
05-02 1037
比如预测是否是癌症病人，假设1000个人里面只有一个，即比例分别为99.9%和0.1%。 这时如果设计的预测系统不经数据分析，全部预测为正常人，仍然会有99.9%的准确率。这显然是不合理的。所以就出现了precision、recall、Fscore这三个评估值。 定义如下： 根据定义，如果还是全部预测为正常人的话，上面precision和recall值就会都是0，便可以发现了系统设计的问
#Keras 二分类F1，recall，precision遇到的问题
weixin_42654892的博客
03-31 1706
File “D:\yangshan\Teng\Anaconda3\envs\yangshan\lib\site-packages\sklearn\metrics\classification.py”, line 81, in _check_targets “and {1} targets”.format(type_true, type_pred)) ValueError: Classific...
为啥不直接用precison与recall还要用F1指标
05-05
在分类任务中，我们通常使用准确率（Precision）和召回率（Recall）来评估模型的性能。准确率指的是模型预测出的正样本中有多少是真正的正样本，而召回率指的是真正的正样本中有多少被模型预测出来了。这两个指标都...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值