使用sklearn的average_precision_score计算KNN模型指标遇ValueError求助

一、报错原因分析 #

你遇到的ValueError: pos_label=1 is invalid是因为average_precision_score函数默认将正类标签设为1，但从你打印的y_test.values可以看到，你的真实标签只有2和3两个类别，根本不存在1这个标签，所以函数找不到指定的正类就报错了。

另外，你输出的y_pre全是3，这说明你的KNN模型存在严重的预测偏差——大概率是训练数据中类别3的占比远高于2（类别不平衡），或者模型参数设置不合理（比如k值过大），导致模型只会预测多数类。

二、分步解决方案 #

1. 修复average_precision_score的报错

你需要明确任务中哪个类别是正类，然后通过pos_label参数指定它：

• 如果把2作为正类，修改代码为：

average_precision = metrics.average_precision_score(y_test.values, y_pre, pos_label=2)

• 如果把3作为正类，修改代码为：

average_precision = metrics.average_precision_score(y_test.values, y_pre, pos_label=3)

注意：你原来代码里的np.array(y_pre.tolist)完全多余，因为y_pre已经是numpy数组了，直接传入即可。

2. 解决模型全预测3的问题

• 检查类别分布：先统计训练集中2和3的样本数量，如果3占比极高，属于类别不平衡问题。可以尝试：
  • 使用class_weight='balanced'参数（sklearn的KNeighborsClassifier支持该参数），让模型给少数类更高的权重。
  • 对少数类进行过采样（比如SMOTE算法），或者对多数类进行欠采样，平衡数据集。
• 调整KNN参数：尝试减小n_neighbors（k值），因为k值太大时，模型更容易被多数类样本主导。比如从默认的5改成3或者1，观察预测结果是否变化。
• 检查特征质量：确认你的特征是否有区分度，如果特征无法有效区分两个类别，模型也会倾向于预测多数类。

内容的提问来源于stack exchange，提问作者Andrew Zhang