sklearn中f1_score、precision_score、recall_score及classification_report在macro/weighted平均时易因某类未预测出而触发ZeroDivisionWarning并返回nan,必须显式设zero_division=0。

因为某类在预测结果中完全未出现,导致 precision/recall 分母为零,而 sklearn 默认不填充值,直接触发警告并返回 nan。
哪些函数会触发 ZeroDivisionWarning
只要涉及精确率、召回率或 F1 计算的函数,在多分类场景下都可能触发该警告,典型包括:
-
f1_score(未设average或设为'macro'/'weighted') -
precision_score和recall_score(同样需显式指定average) -
classification_report(内部调用上述函数,警告会透出)
注意:accuracy_score 不会触发——它没有除法分母问题;confusion_matrix 也不会——它只统计计数,不计算比率。
zero_division=0 不是可选项,而是生产必需
默认行为是抛 UndefinedMetricWarning 并返回 nan,这会导致后续操作崩掉:
- 若你用
np.mean()对多个类别指标取平均,遇到一个nan,结果直接变nan - 在 pipeline 中,
nan可能悄无声息地污染日志、监控图表或自动阈值判断逻辑 - 设
zero_division=1虽能避免nan,但等于给“完全没预测对”的类别强行打满分,虚高指标
所以必须写死:f1_score(y_true, y_pred, average='macro', zero_division=0)。这不是“容错”,而是明确语义:该类彻底失效,F1 计为 0,参与平均。
为什么 macro 平均特别容易踩这个坑
average='macro' 先对每个类别单独算 F1,再算术平均——这意味着只要有一个类别在 y_pred 中完全没露面(TP=0 且 FP=0),它的 precision 就是 0/0,立刻触发警告。
常见诱因包括:
- 长尾类别样本极少,模型训练不足,直接“忽略”该类
- 使用了过强的正则化或早停,导致输出层 logits 偏向主流类别
- 概率阈值硬截断(如
np.argmax后再过滤低置信度),意外抹掉小类预测
对比之下,average='micro' 是全局统算 TP/FP/FN,分母不会为零,所以不触发此警告——但它掩盖了类别失衡问题,不能替代 macro。
输入格式错误也会间接导致 zero-division
即使加了 zero_division=0,如果输入不是合法的 1D 整数标签,指标仍可能异常:
- 传入 one-hot 编码的
y_true(如 shape=(n, k))→ 报ValueError: multiclass format is not supported - 传入概率数组(如
model.predict_proba(X))→ 精确率计算全乱,因为函数期待硬分类标签 - 标签含非连续整数(如类别是 [1, 3, 5])→
f1_score会按 0/1/2 解析,导致错位
正确做法:确保 y_true 和 y_pred 都是 np.ndarray,dtype=int,值域从 0 开始连续(可用 LabelEncoder 标准化)。
最易被忽略的一点:warning 不等于 warning ——它默认只是打印,程序继续跑,但返回值已是 nan。你在本地调试时可能没注意控制台那行红字,等模型上到调度系统,评估模块突然全报 nan,才回头翻日志。别等那一刻,所有指标调用都得带 zero_division=0。
Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!











