当我使用以下代码计算precision_recall_fscore_support用于单类（仅1）时
import numpy as npfrom sklearn.metrics import precision_recall_fscore_support#make arraysytrue = np.array(['1', '1', '1', '1', '1','1','1','1'])ypred = np.array(['0', '0', '0', '1', '1','1','1','1'])#keep only 1y_true, y_pred = zip(*[[ytrue[i], ypred[i]] for i in range(len(ytrue)) if ytrue[i]=="1"])#get scoresprecision_recall_fscore_support(y_true, y_pred, average='weighted')我得到了以下警告：
UndefinedMetricWarning: 在没有真实样本的标签中，召回率和F分数未定义并被设置为0.0。 'recall', 'true', average, warn_for)以及输出：
(1.0, 0.625, 0.76923076923076927, None)我在Stack Overflow上找到了一个类似警告的讨论线程UndefinedMetricWarning: F-score is ill-defined and being set to 0.0 in labels with no predicted samples，但我认为这并不适用于我的问题。
问题：我的输出结果是否有效，或者我应该担心这个警告信息？如果是的话，我的代码有什么问题，应该如何修复？
回答：
您需要使用：
cv = ShuffleSplit(n_splits=10, test_size=0.3, random_state=0)我在使用knn时，这解决了问题
代码：
def knn(self,X_train,X_test,Y_train,Y_test): #算法实现 knn = KNeighborsClassifier(n_neighbors=3).fit(X_train,Y_train) #10折交叉验证 cv = ShuffleSplit(n_splits=10, test_size=0.3, random_state=0) puntajes = sum(cross_val_score(knn, X_test, Y_test, cv=cv,scoring='f1_weighted'))/10 print(puntajes)文档：https://scikit-learn.org/stable/modules/cross_validation.html
