出错描述
使用sklearn.metrics.precision_score计算精确率时，出现报错：
UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 in samples with no predicted labels.
问题原理分析
精确率计算的是所有样本的平均精确率。而对于每个样本来说，精确率就是预测正确的标签数在整个预测为正确的标签数中的占比。其计算公式为：
例如对于某个样本来说，其真实标签为[0, 1, 0, 1]，预测标签为[0, 0, 0, 0]。那么该样本对应的精确率就应该为：（0 + 1 + 0 + 0） / （0 + 0 + 0 + 0），这时就会报错。
情况一
假设有数据：样本数batch_size = 5，标签数label_num = 4。y_true为真实标签，y_pred为预测标签值。
y_true = np.array([[0, 1, 0, 1], [0, 1, 1, 0], [0, 0, 1, 0], [1, 1, 1, 0], [1, 0, 1, 1]]) y_pred = np.array([[0, 1, 1, 0], [0, 1, 1, 0], [0, 0, 1, 0], [0, 1, 1, 0], [0, 1, 0, 1]])
对照上面给的数据y_true、y_pred。那么该样本对应的准确率就应该为：
情况二
假设数把y_pred的某一行改为全0，数据如下。
y_true = np.array([[0, 1, 0, 1], [0, 1, 1, 0], [0, 0, 1, 0], [1, 1, 1, 0], [1, 0, 1, 1]]) y_pred = np.array([[0, 1, 1, 0], [0, 1, 1, 0], [0, 0, 1, 0], [0, 1, 1, 0], [0, 0, 0, 0]])
对照上面给的数据y_true、y_pred。那么该样本对应的准确率就应该为：
情况三
假设数把y_pred改为全0，数据如下。
y_true = np.array([[0, 1, 0, 1], [0, 1, 1, 0], [0, 0, 1, 0], [1, 1, 1, 0], [1, 0, 1, 1]]) y_pred = np.array([[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]])
对照上面给的数据y_true、y_pred。那么该样本对应的准确率就应该为：
【注】所以如果有除数为0，sklearn中会默认把数值置为0来计算。
解决办法
直接忽略警告即可。
import warnings warnings.filterwarnings("ignore")
【注】一般一个batch_size都会在32-128，所以有个别样本的精确率为0，最后取平均也还能接收，直接忽略警告就行。
