F-score is ill-defined and being set to 0.0 in labels with no true samples.

生肉地址：https://stackoverflow.com/questions/43162506/undefinedmetricwarning-f-score-is-ill-defined-and-being-set-to-0-0-in-labels-wi

原因：存在一些样本 label 为 y_true，但是你的 y_pred 并没有预测到。
比如
y_true = (0, 1, 2, 3, 4)
y_pred = (0, 1, 1, 3, 4)
label‘2’ 从来没有被预测到，所以F-score没有计算这项 label， 因此这种情况下 F-score 就被当作为 0.0 了。
但是又因为，要计算所有分类结果的平均得分就必须将这项得分为 0 的情况考虑进去，所以，scikit-learn出来提醒你，warning警告一下。

warning ，跟 error 不同，你可能在一次程序运行当中看到同一条 warning 多次，但在大部分环境当中它只出现一次。你也可以通过修改一些行为来改变情况：

import warnings
warnings.filterwarnings('always')  # "error", "ignore", "always", "default", "module" or "once"

如果你在 import 其它 module 之前将 warning 设置为 'always' ，那你在每次运行代码的时候都会看见 warning。

除非你设置成 warning.filterwarnings('ignore')，否则无可避免都会看到 ‘温馨提示’，至少一次。

或者，如果你对没有 predict 中的 label 不感兴趣，你可以显式地指定你的 label 来计算 f1-score（那些你predict 中的 label）。

metrics.f1_score(y_test, y_pred, average='weighted', labels=np.unique(y_pred) )

这样子，你就不会收到F-score is ill-defined and being set to 0.0 in labels with no true samples. 这个 warning 语句了。但是，最好不要这样子做。因为你得到的不是一个真实的分类分数。