（完全解决）Precision and F-score are ill-defined for being 0.0 in labels with no predicted samples.

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 control this behavior._warn_prf(average, modifier, msg_start, len(result))

一开始没看懂在说什么，后来才发现：正如报错所说，你的模型的分类结果中有一类是没有被预测的，拿2分类来说，你的模型全部预测成了1或者0，就会报上述错误。例如：

实际标签 1，1，1，1，1，1，0，0
预测标签 0，0，0，0，0，0，0，0

先说解决办法，然后再说原因，由于原因比较冗长，所以如果你时间有限，看完解决办法就可以走了。

---

解决办法

---

老办法，警告并不是报错，我们选择屏蔽。在开头加上如下语句：

import warnings
warnings.filterwarnings("ignore")

---

原因

---

问题来了，我们的模型预测成1或者0关 sklearn 什么事呢？这是因为如果某个类别没有被预测，Macro-F1会有除0的操作，所以才警告你一下。强烈建议你看看Macro-F1的计算方式，因为这个太基础了。

请看，Micro-F1和Macro-F1详解。

我的情况如下：

大家可以根据我上面给的那篇文章分别计算一下两个类别的macro-f1,也就是上面两行，最后一列的support是指真实标签两类样本的数量。

至于macro avg就是上面两行相加除以二，也就是上面两行的权重各为0.5.
而weighted avg就是上面两行的权重各为类别比例，即58/100,42/100。