多类不平衡分类任务中K折交叉验证配置f1/召回/精确率评分的报错问题

• 触发ValueError: Target is multiclass but average='binary'的本质：sklearn内置的字符串打分值'f1'是专门给二分类场景设计的，内部固定使用average='binary'参数计算F1值，碰到4类多分类任务自然会触发参数校验错误。
• 触发TypeError: cross_val_score() got an unexpected keyword argument 'average'的本质：这是典型的参数边界混淆——average是f1_score()指标函数的专属入参，不属于cross_val_score()接口的可接收参数范围，直接传入会被识别为非法关键字参数。

方式1：直接使用多分类专属的内置打分字符串 #

针对加权平均F1的需求（适配类别不平衡，按各类样本占比加权计算最终F1，不会被小样本类别的计算结果干扰），直接替换scoring的参数值即可，无需额外传参：

accuracies = cross_val_score(
    estimator = classifier_RF,
    X = X_train,
    y = Y_train,
    cv = 10,
    scoring = 'f1_weighted'
)
print("加权F1_Score: {:.2f} %".format(accuracies.mean()*100))
print("标准差: {:.2f} %".format(accuracies.std()*100))

其他可选的多分类F1打分值参考：

• f1_micro：全局汇总所有类别的真阳性、假阳性、假阴性结果计算F1，不区分类别
• f1_macro：先计算每个独立类别的F1值，再取算术平均，不考虑不同类别的样本量差异
• f1_weighted：按每个类别的样本占比对单类F1值加权计算，最适合当前4类不平衡数据集的评估需求

方式2：自定义打分器绑定自定义参数 #

如果需要给F1计算设置额外规则（比如设置zero_division=0避免小类别在某一折交叉验证中无样本时触发除零警告），可以通过make_scorer提前把参数绑定到打分逻辑上，再传入交叉验证接口：

from sklearn.metrics import make_scorer, f1_score

# 提前固定F1计算的参数规则
custom_f1_scorer = make_scorer(
    f1_score,
    average='weighted',
    zero_division=0
)

accuracies = cross_val_score(
    estimator = classifier_RF,
    X = X_train,
    y = Y_train,
    cv = 10,
    scoring = custom_f1_scorer
)

内容的提问来源于stack exchange，提问作者Vivek