当模型不预测一个类时，多类分类中未定义的F1分数

Question

我试图在多类分类中使用F1分数进行模型选择。

我正在计算他们的分级和平均值： （F1（class1）+ F1（class1）+ F1（class1））/ 3 = F1（总计）

但是，在某些情况下，我会获得F1分数的NaN值。这是一个例子： 设true_label = [1 1 1 2 2 2 3 3 3]和pred_label = [2 2 2 2 2 2 3 3 3]。

然后混淆矩阵看起来像：  C = [0 3 0; 0 3 0; 0 0 3]

这意味着当我计算第一个类的精度（计算F1分数）时，我得到：0 /（0 + 0 + 0），未定义或NaN。

首先，我在计算F1分数或精度时犯了错误吗？ 其次，我应该如何在模型选择中处理这些案例？忽略它们或者我应该将此类别的F1分数设置为0（降低此模型的总分数）。

非常感谢任何帮助！

Answer 1

为了报告有意义的结果，您需要避免将精度除以零。您可能会发现this answer有用，您明确报告结果不佳。此外，this implementation提出了另一种方法来区分您的报告在好的和坏的结果之间。