计算多标签数据集macro平均F1值报UndefinedMetricWarning如何解决

多标签分类模型评估过程中，使用如下代码以macro平均模式逐标签计算F1分数，结果追加存储到结果列表：

f1_score_results.append(f1_score(y_train[col], y_pred_train[col_idx], average='macro'))

代码可正常输出F1计算结果，但运行时会抛出UndefinedMetricWarning警告：

为排查警告原因，编写代码打印训练集、测试集的特征及标签字段全局唯一值数量：

print(len(np.unique(X_train)))
print(len(np.unique(X_test)))
print(len(np.unique(y_train)))
print(len(np.unique(y_test)))

代码运行输出如下：

UndefinedMetricWarning的核心触发逻辑是：计算分类指标时，存在类别在真实标签或预测结果中完全没有样本，导致精确率、召回率计算时分母为0，对应F1值无定义。
结合代码场景具体分析：

1. macro平均F1的计算逻辑是先单独计算每个类别的F1值，再对所有类别F1做算术平均，不区分类别样本量大小。只要有任意一个类别在当前计算的标签列、对应预测结果中样本数为0，就会触发该警告，此时sklearn默认会将该类别的F1值记为0参与后续平均。
2. 之前打印的是整个特征矩阵、整个标签矩阵的全局唯一值数量，这类全局统计结果无法定位问题——代码是逐列遍历计算单个标签的F1，全局标签有2种取值不代表每一个单独的标签列都同时包含2个类别。多标签数据集中很常见部分标签列样本极度不均衡，甚至在训练集某拆分中只存在单一类别的情况，这就是警告的直接来源。

根据业务场景选择对应方案即可：

• 方案1：计算前校验单标签列的类别分布，过滤无效列
  逐列计算F1前先判断当前标签列是否包含所有预期类别，如果某列仅存在单一类别，直接跳过该列计算，或单独标记这类列的评估结果，不参与macro平均。参考代码：

  # 替换为数据集实际全量标签集合，二分类场景一般为[0,1]
  EXPECTED_LABELS = [0, 1]
  for col_idx, col in enumerate(label_cols):
      col_unique_labels = np.unique(y_train[col])
      # 当前列类别数不足，跳过计算
      if len(col_unique_labels) < len(EXPECTED_LABELS):
          print(f"标签列{col}仅包含类别{col_unique_labels.tolist()}，无有效二分类分布，跳过F1计算")
          continue
      f1_score_results.append(
          f1_score(y_train[col], y_pred_train[col_idx], average='macro', labels=EXPECTED_LABELS)
      )
  

• 方案2：显式声明计算参数，消除警告
  调用f1_score时传入labels参数明确需要覆盖的全量类别，同时传入zero_division参数显式指定0分母场景下的指标取值，和sklearn默认行为保持一致的同时消除警告。参考代码：

  f1_score_results.append(
      f1_score(
          y_train[col],
          y_pred_train[col_idx],
          average='macro',
          labels=[0,1], # 替换为实际全量标签集合
          zero_division=0 # 类别无样本时对应指标按0计算
      )
  )
  

• 方案3：业务允许的前提下直接过滤指定警告
  如果确认单类别标签列的存在符合业务预期，且默认将无样本类别F1记为0的计算逻辑满足评估要求，可以直接通过warnings模块过滤该类警告，避免干扰正常日志输出：

  import warnings
  from sklearn.exceptions import UndefinedMetricWarning
  # 仅过滤UndefinedMetricWarning类警告
  warnings.filterwarnings('ignore', category=UndefinedMetricWarning)
  

内容的提问来源于stack exchange，提问作者Swati Mathur