sklearn中average_precision_score报除法无效值错误原因咨询

1. 报错的核心原因 #

average_precision_score是用来计算二分类任务中正样本平均精度的指标，它的第一个参数y_true必须包含至少一个正类标签（即值为1的样本）。

你提供的y_true全是0，没有任何正样本：

y_true=np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

此时计算召回率时，分母是总正样本数（也就是0），代码里的tps[-1]就是总正样本数，除以0自然会触发invalid value encountered in true_divide警告——这个指标在没有正样本的场景下无法正常计算。

2. 交换参数后有结果的本质 #

当你交换参数顺序，把y_scores作为第一个参数（真实标签）、y_true作为第二个参数（预测得分）时：

average_precision_score(y_scores,y_true)

此时y_scores里有两个1（正样本），函数能正常执行计算，但这是完全错误的参数用法——你把预测得分当成了真实标签，把真实标签当成了预测得分，得到的0.1666...没有任何业务或模型评估的实际意义，只是函数在参数合法的情况下返回了一个数值而已。

3. 正确的处理方式 #

• 如果你的任务是二分类，先检查数据是否有误：真实标签里应该存在正样本（1），否则这个指标不适用。
• 如果场景中确实没有正样本（比如异常检测里无异常的验证集），可以选择跳过这个指标的计算，或者手动返回0（因为没有正样本时，平均精度没有定义）。

内容的提问来源于stack exchange，提问作者Coder