多类别不平衡数据下，某类精确率与召回率同时为0是否可能？

这种情况完全可能，在包含20+类别的极端不平衡数据集里属于常见现象，主要源于两种典型场景：

• 场景1：测试集含该类样本，但模型从未预测出该类别
  此时：

  • 召回率：真实为该类的样本全部被模型归类到其他类别，TP（真正例）=0，FN（假负例）=测试集该类样本总数，召回率公式 0/(0+FN) 结果为0
  • 精确率：模型没有任何预测结果标记为该类，TP=0且FP（假正例）=0，多数评估工具会将这种无有效预测的情况默认显示为0（而非数学上的NaN）
    这类情况多因该类样本占比极低（比如不足0.1%），模型训练时无法学习到足够区分特征，最终选择“放弃”该类，所有预测都偏向样本量占优的类别。

• 场景2：测试集无该类样本，但模型误判其他类为该类
  此时：

  • 召回率：无真实的该类样本，TP=0且FN=0，多数工具会直接显示召回率为0（避免无意义的计算结果）
  • 精确率：TP=0，FP为模型误判为该类的样本数，精确率公式 0/(0+FP) 结果为0

验证排查步骤 #

1. 统计测试集中该类别的样本数量，确认是否存在该类样本
2. 查看模型的预测结果分布，检查是否有预测为该类的记录
3. 核对训练集该类的样本量，判断是否因样本过少导致模型未学到有效特征

内容的提问来源于stack exchange，提问作者Asmaa Mansour