我在使用scikit-learn计算分类记录，当我尝试打印它时，会出现一个警告：

print classification_report(original,predicted)

警告:

Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted samples.

所以我想通过微平均来报告精确度和召回率。我该如何使用分类报告，使其结果不出现未定义的精确度和召回率？提前感谢。

回答：

这并不是分类报告本身的问题；仔细阅读，警告实际上告诉你，一些类别在你的预测中不存在（即你的分类器没有预测任何样本属于某些类别）。

通过调整文档中的示例可以帮助演示这一点：

from sklearn.metrics import classification_reporty_true = [0, 1, 2, 2, 0]y_pred = [0, 0, 2, 2, 0] # no 1's predictedtarget_names = ['class 0', 'class 1', 'class 2']print classification_report(y_true, y_pred, target_names=target_names)

这是结果：

             precision    recall  f1-score   support    class 0       0.67      1.00      0.80         2    class 1       0.00      0.00      0.00         1    class 2       1.00      1.00      1.00         2avg / total       0.67      0.80      0.72         5/home/ctsats/.local/lib/python2.7/site-packages/sklearn/metrics/classification.py:1135: UndefinedMetricWarning: Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted samples.  

所以，问题出在你的分类器和/或训练数据上…

更新（评论后）：根据定义，只有宏平均会为每个类（标签）提供一个F1分数；从文档中可以看到：

‘micro’:

通过计算总的真阳性、假阴性和假阳性来全局计算指标。

‘macro’:

为每个标签计算指标，并找到它们的非加权平均值。这不考虑标签的不平衡性。

这就是为什么在classification_report中报告的F1分数是通过宏平均计算的。确实，使用微平均不会得到警告（因为它计算了总的真阳性，因此它不关心某些类别是否在预测中未被表示），但你不会得到每个类的F1分数 – 你只会得到一个整体数字：

f1_score(y_true, y_pred, average='micro')# 0.8000000000000002

这不能在classification_report中使用，因为所有报告的指标都是按类别的。