使用scikit-learn分类报告时，如何通过微平均规避精度与F值未定义问题？

这个警告我太熟了——当你的模型完全没预测到某个类别时，scikit-learn就会抛出这个提示，因为没有预测样本的话，精度（precision）和F1分数的计算会出现0/0的无意义情况，只能默认设为0.0并给出警告。要解决这个问题同时用微平均来报告整体表现，你可以从这几个方向入手：

1. 消除警告并控制除零场景的处理 #

在scikit-learn 0.22及以上版本，classification_report新增了zero_division参数，你可以用它指定除零场景的返回值，同时关闭警告：

print(classification_report(original, predicted, zero_division=1))

• 设置zero_division=1：对于没有预测样本的类别，精度会被设为1.0（逻辑是：既然没有错误预测该类别的样本，精度视为完美）
• 设置zero_division=0：保持默认的0.0，但不会再弹出警告

2. 重点关注微平均结果 #

如果你核心需求是用微平均报告精度和召回率，有两种实用方式：

方式一：让报告突出显示微平均 #

默认的classification_report已经会在末尾输出micro avg的结果，结合上面的zero_division参数，你可以直接得到包含微平均的完整报告，同时避免警告：

print(classification_report(original, predicted, zero_division=1))

输出里的micro avg行就是所有样本的整体指标——它把所有类别的TP、FP、FN累加后计算，完全不受单个类别无预测样本的影响。

方式二：单独提取微平均指标 #

如果你不需要完整的类别报告，只想拿到微平均的数值，可以用output_dict=True参数将结果转为字典，然后直接提取：

from sklearn.metrics import classification_report

report_dict = classification_report(original, predicted, zero_division=1, output_dict=True)
micro_precision = report_dict['micro avg']['precision']
micro_recall = report_dict['micro avg']['recall']
micro_f1 = report_dict['micro avg']['f1-score']

print(f"微平均精度: {micro_precision:.4f}")
print(f"微平均召回率: {micro_recall:.4f}")
print(f"微平均F1分数: {micro_f1:.4f}")

这种方式更适合需要用这些指标做后续计算或可视化的场景。

额外提示：什么时候用微平均？ #

微平均特别适合不平衡数据集——比如某个类别样本量极大，其他类别样本很少的情况。它平等对待每个样本，而不是每个类别，所以能更准确反映模型在所有样本上的整体表现。

内容的提问来源于stack exchange，提问作者selubamih