我从sklearn.metrics导入了classification_report，当我输入np.arrays作为参数时，出现以下错误：
/usr/local/lib/python3.6/dist-packages/sklearn/metrics/classification.py:1135： UndefinedMetricWarning：精度和F分数定义不正确， 在没有预测样本的标签中将其设置为0.0。 '精确'， “预测”，平均，warn_for） /usr/local/lib/python3.6/dist-packages/sklearn/metrics/classification.py:1137： UndefinedMetricWarning：回忆和F得分定义不正确， 在没有真实样本的标签中设置为0.0。 'recall'，'true'， 平均，warn_for）
这是代码：
svclassifier_polynomial = SVC(kernel = 'poly', degree = 7, C = 5)
svclassifier_polynomial.fit(X_train, y_train)
y_pred = svclassifier_polynomial.predict(X_test)
poly = classification_report(y_test, y_pred)
当我过去不使用np.array时，它工作得很好，关于如何纠正此问题的任何想法？
答案 0 :(得分：4)
这不是错误，只是警告，并不是您的所有标签都包含在table[tr/th[2]/text()="Location"]//tr
中，即y_pred中有一些标签您的分类器从不预言。
这是一个简单的可复制示例：
y_test from sklearn.metrics import precision_score, f1_score, classification_report
y_true = [0, 1, 2, 0, 1, 2] # 3-class problem
y_pred = [0, 0, 1, 0, 0, 1] # we never predict '2'
precision_score(y_true, y_pred, average='macro')
[...] UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 in labels with no predicted samples.
'precision', 'predicted', average, warn_for)
0.16666666666666666
precision_score(y_true, y_pred, average='micro') # no warning
0.3333333333333333
precision_score(y_true, y_pred, average=None)
[...] UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 in labels with no predicted samples.
'precision', 'predicted', average, warn_for)
array([0.5, 0. , 0. ])
会产生完全相同的警告（未显示）。
这实际上只是警告您，在f1_score中，没有预测样本的标签（此处为classification_report）的各个值将设置为0：
2过去我不使用np.array时效果很好
高度怀疑，因为在上面的示例中，我使用了简单的Python列表，而不是Numpy数组...
答案 1 :(得分：1)
这意味着某些标签仅出现在火车数据中，而某些标签仅出现在测试数据集中。运行以下代码，以了解火车标签和测试标签的分布。
from collections import Counter
Counter(y_train)
Counter(y_test)
使用分层的train_test_split可以消除仅在测试数据集中存在某些标签的情况。
过去可能只是因为数据集的随机拆分而起作用。因此，始终建议进行分层拆分。
第一种情况更多是关于模型微调或模型选择。