联邦学习（FL）模拟出现Undefined Metric警告，精度等指标结果偏低

问题根源 #

当模型对某个类别没有输出任何预测样本时，计算Precision（精确率）和F-score会遇到分母为0的情况，此时默认逻辑会将这类指标强制设为0.0，直接拉低了整体的Precision、F-score结果；而Recall偏低通常是因为该类别样本占比极低，模型学习不足，再加上指标的默认处理方式进一步放大了结果偏差。

针对性解决方案 #

核心是通过zero_division参数调整分母为0时的指标计算逻辑，根据使用场景选择以下方式：

1. 使用sklearn内置指标函数时 #

如果是用sklearn的classification_report、precision_score等工具计算指标，直接在调用时指定zero_division参数：

• zero_division=1：分母为0时将指标设为1.0（适合该类别确实无预测样本，但模型本应正确识别的场景）
• zero_division=0：保持默认设为0.0的行为
• zero_division='warn'：仅输出警告，不修改指标结果

示例代码：

from sklearn.metrics import classification_report

# y_true为真实标签，y_pred为模型预测结果
print(classification_report(y_true, y_pred, zero_division=1))

2. 自定义联邦学习指标计算逻辑时 #

如果是在联邦学习框架（如FedAvg、FedProx）中自行编写指标计算代码，需在Precision和F-score的计算逻辑中添加判断：

def calculate_class_precision(y_true, y_pred, target_class):
    true_pos = sum((y_true == target_class) & (y_pred == target_class))
    pred_pos = sum(y_pred == target_class)
    # 根据业务需求返回1.0或0.0
    return 1.0 if pred_pos == 0 else true_pos / pred_pos

额外优化建议 #

• 先排查数据分布：确认哪些类别无预测样本，是否是因为该类别在客户端本地数据中占比极低，导致联邦训练时模型对其学习不足。
• 调整联邦训练策略：比如采用按客户端数据量加权的联邦平均，或是对小众类别做过采样，从根源上提升模型对小众类别的识别能力，减少无预测样本的情况。

内容的提问来源于stack exchange，提问作者Vivian