如果您正在使用 scikit-learn 1.3.X 版本，在使用 f1_score() 或 classification_report() 函数时，如果参数设置为 zero_division=1.0 或 zero_division=np.nan，那么函数的输出结果可能会出错。错误的范围可能高达 100%，具体取决于数据集中的类别数量。这个错误可能会显著地影响到多分类问题中常用的宏平均 F1 指标，从而可能导致对分类器性能的误判，甚至可能带来一些安全风险。
scikit-learn releases 页面：https://github.com/scikit-learn/scikit-learn/releases
F1 分数的定义：查准率是指预测结果中，每个类别预测正确的比例。召回率则是指样本标签中，每个类别被正确预测的比例。两者的分母不同，查准率的分母是预测结果的样本数，召回率的分母是样本标签的样本数。F1 分数是查准率和召回率的调和平均值。
问题原因：在计算 F1 分数时，如果某个类别的查准率和召回率都为 0，那么根据 zero_division 参数的设定，F1 分数可能被赋值为 1.0 或 np.nan，而非正确的 0.0。
检测这个错误的方法：如果想要确定某个 F1 分数计算是否受到这个错误的影响，可以先使用 classification_report() 函数进行 F1 分数的计算。如果存在任何一个类别的查准率和召回率都为 0，而对应的 F1 分数为 1.0 或 nan，那么这个 F1 分数的计算就是错误的。
解决办法：
- 请升级到已发布的
scikit-learn 1.4.0或更高版本，该版本已修复了这个 bug。 - 另一种解决方案是降级到
scikit-learn 1.2.2版本，或者设置 zero_division 参数为 0.0。但要注意了解这一参数变化将如何影响查准率吧、召回率和 F1 分数！
📚️ 参考链接：