我正在尝试使用SciKit的逻辑回归来预测一组标签。我的数据非常不平衡（’0’标签远多于’1’标签），因此在交叉验证步骤中，我必须使用F1分数指标来“平衡”结果。

[Input]X_training, y_training, X_test, y_test = generate_datasets(df_X, df_y, 0.6)logistic = LogisticRegressionCV(    Cs=50,    cv=4,    penalty='l2',     fit_intercept=True,    scoring='f1')logistic.fit(X_training, y_training)print('Predicted: %s' % str(logistic.predict(X_test)))print('F1-score: %f'% f1_score(y_test, logistic.predict(X_test)))print('Accuracy score: %f'% logistic.score(X_test, y_test))[Output]>> Predicted: [0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0]>> Actual:    [0 0 0 1 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 1 1]>> F1-score: 0.285714>> Accuracy score: 0.782609>> C:\Anaconda3\lib\site-packages\sklearn\metrics\classification.py:958:     UndefinedMetricWarning:   F-score is ill-defined and being set to 0.0 due to no predicted samples.

我当然知道问题与我的数据集有关：它太小了（只是真实数据集的一个样本）。然而，有人能解释一下我看到的“UndefinedMetricWarning”警告的含义吗？背后到底发生了什么？

回答：

这似乎是一个已知的错误，在这里已经修复了，我想你应该尝试更新sklearn。