修改OneClassSVM输出标签为0和1后出现Precision和F-score未定义警告怎么办

• 标签处理逻辑错误：你仅修改了classification_report源码中的labels变量映射，没有同步处理输入的真实标签y_true和预测标签y_pred，导致标签匹配混乱。原OneClassSVM输出的-1没有在预测阶段直接转换为0，评估时找不到对应标签的预测样本，触发指标计算异常警告。
• 模型使用错误：OneClassSVM是单类异常检测模型，训练阶段仅需要传入正常类的特征数据，不需要传入标签y_train，你错误的调用fit(X_train, y_train)会导致模型拟合边界异常，最终出现所有预测结果均为1的情况，没有预测为0的样本，自然无法计算0类的precision、F1指标。
• 数据集不平衡未适配：你的数据集中异常类样本仅占0.39%，没有调整OneClassSVM的nu参数（控制模型判定为异常的样本比例），模型会默认把绝大多数样本判定为正常类（1），进一步加剧了0类无预测样本的问题。

1. 不要修改sklearn源码，在预测输出阶段直接做标签转换，避免破坏库原生逻辑，同时修正模型导入和训练的错误写法：

# 修正导入路径
from sklearn.svm import OneClassSVM

check = OneClassSVM(kernel='rbf', gamma='scale', nu=0.004) # nu设置接近异常样本占比
# 训练仅传入正常类特征，不需要标签
check.fit(X_train)
# 预测后直接转换标签：-1转0，1保持不变
y_pred = check.predict(X_test)
y_pred = [0 if label == -1 else 1 for label in y_pred]

2. 确保真实标签y_true也已经调整为0/1格式，直接调用原生classification_report即可，不需要修改源码：

from sklearn.metrics import classification_report
# 明确指定labels为你需要的0、1，对应自定义分类名称
print(classification_report(y_true, y_pred, labels=[0,1], target_names=['A', 'B']))

3. 若仍存在指标异常，可调整OneClassSVM的gamma、nu参数，或对数据做标准化预处理，适配单类模型的输入要求。

内容的提问来源于stack exchange，提问作者Emma Lim