scikit中Macro F-score触发‘定义不明确’警告疑问：指标非零仍告警

我完全懂你的困惑——明明能算出非零的F1-score，连precision和recall也都不是零，哪怕数值低到0.01、0.001的时候也有结果，怎么一计算macro F1就弹出警告了呢？咱们来拆解下背后的原因：

核心差异：Macro vs Micro F1的计算逻辑 #

首先得明确两种F1的计算方式：

• Micro F1：是把所有类别的TP（真阳性）、FP（假阳性）、FN（假阴性）全部加总，然后用总数值计算precision、recall和F1。只要整体有样本和预测结果，就不会出现除以零的情况，所以不会触发警告。
• Macro F1：是先给每个类别单独计算precision、recall和F1，再对所有类别的F1取算术平均值。问题就出在「单个类别」的计算上。

警告的根源：单个类别出现除以零的情况 #

警告通常不是因为最终的macro F1为零，而是因为某个类别在计算precision或recall时遇到了除以零的场景，常见情况有两种：

1. 某个类别没有真实样本：也就是该类别的TP=0且FN=0，这时候计算recall（recall=TP/(TP+FN)）就会变成0/0，触发除以零警告。
2. 某个类别没有预测结果：也就是该类别的TP=0且FP=0，这时候计算precision（precision=TP/(TP+FP)）就会变成0/0，同样触发警告。

但为什么最终的macro F1还是非零呢？因为大部分库（比如sklearn）会把这种除以零的情况默认处理为0，所以只要其他类别有有效的F1值，最终的平均值就会是非零的，只是单个类别计算时的警告会保留。

举个例子：假设你有3个类别，类别A的F1是0.5，类别B因为没有真实样本导致计算时触发警告（F1被设为0），类别C的F1是0.3，那macro F1就是(0.5+0+0.3)/3≈0.27，结果非零，但计算类别B时的警告会弹出来。

解决办法 #

1. 检查类别样本分布：先确认数据里是不是有类别没有真实标签，或者模型从未预测过某个类别——这可能是数据不平衡或者模型训练的问题。
2. 设置zero_division参数：如果只是不想看到警告，可以在计算F1时指定zero_division参数，比如在sklearn中：

   from sklearn.metrics import f1_score
   f1_score(y_true, y_pred, average='macro', zero_division=0)
   

   这样遇到除以零的情况会直接返回0，不再触发警告。
3. 考虑使用Weighted F1：如果你的数据类别不平衡，average='weighted'会根据每个类别的样本数量加权计算F1，能减少罕见类别对结果的影响，也能避免单个无样本类别的警告问题。

内容的提问来源于stack exchange，提问作者Zohaib Brohi