使用ML.NET随机森林调用EvaluateNonCalibrated报AUC未定义错误求助

核心原因 #

错误System.ArgumentOutOfRangeException: „AUC is not defined when there is no positive class in the data Arg_ParamName_Name”的直接原因是：你的测试集（甚至整个数据集）中没有正类样本（即Label为true的记录）。

查看FitAsync代码可知，创建MLFinancialChange对象时完全没有给Label属性赋值——bool类型默认值为false，导致所有样本的Label都是负类。而AUC（曲线下面积）的计算必须依赖正负样本同时存在，因此触发了该参数错误。

解决方案 #

1. 修复Label属性的赋值逻辑 #

在FitAsync的循环中，必须根据业务规则给Label赋值，明确区分正负样本。示例如下（需根据实际业务场景调整判断逻辑）：

foreach(var item in list)
{
    var x = new MLFinancialChange
    {
        Value = item.Value,
        CategoryId = item.Category.Id,
        // 替换为你的实际业务判断逻辑，确定该样本是否为正类
        Label = item.IsPositiveCase 
    };
    output.Add(x);
}

2. 确保训练/测试集包含正负样本 #

• 检查数据分布：在拆分数据前，先统计数据中正样本的数量，确认原始数据确实包含正类：

var dataEnumerable = MlContext.Data.CreateEnumerable<MLFinancialChange>(data, reuseRowObject: false);
int positiveCount = dataEnumerable.Count(d => d.Label);
int negativeCount = dataEnumerable.Count(d => !d.Label);
// 若positiveCount为0，说明原始数据无正样本，需先补充数据或调整业务逻辑

• 使用分层拆分：如果原始数据中正样本占比极低，普通随机拆分可能导致测试集无正样本，此时通过分层拆分保证测试集包含正负样本：

// 指定按Label分层，确保拆分后训练/测试集的正负样本比例与原数据一致
DataOperationsCatalog.TrainTestData dataSplit = MlContext.Data.TrainTestSplit(data, stratificationColumn: nameof(MLFinancialChange.Label));

3. 临时应急方案（仅用于测试代码流程） #

如果只是临时验证模型结构，无法获取正样本，可手动添加一条正样本到测试集跳过AUC报错，但此方案无实际业务价值：

// 临时添加一条正样本到测试集
var testEnumerable = MlContext.Data.CreateEnumerable<MLFinancialChange>(_dataSplit.TestSet, reuseRowObject: false).ToList();
testEnumerable.Add(new MLFinancialChange { Label = true, Value = 0, CategoryId = 0 });
var modifiedTestSet = MlContext.Data.LoadFromEnumerable(testEnumerable);
var testSetTransform = _trainedModel.Transform(modifiedTestSet);
return MlContext.BinaryClassification.EvaluateNonCalibrated(testSetTransform);

内容的提问来源于stack exchange，提问作者Bogdan