我正在尝试在多类分类中使用 F1 分数进行模型选择。
我正在按类计算它们，并平均超过它们： (F1(类 1(+F1(类 1(+F1(类 1((/3 = F1(总计(
但是，在某些情况下，我会获得 F1 分数的 NaN 值。下面是一个示例： 设 true_label
= [1 1 1 1 2 2 2 3 3 3] 和 pred_label = [2 2 2 2 2 2 3 3 3]。然后混淆矩阵如下所示： 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(，它没有定义或 NaN。
首先，我在这里计算 F1 分数或精度是否有误？ 其次，在模型选择中应该如何处理这些情况？忽略它们，或者我应该将此类的 F1 分数设置为 0(降低此模型的总 F1 分数(。
任何帮助将不胜感激！
您需要避免将精度除以零，以便报告有意义的结果。您可能会发现此答案很有用，其中您明确报告了糟糕的结果。此外，此实现还提出了一种在报告中区分良好结果和不良结果的替代方法。