当正样本极少时，若模型全预测为负类，则TP=0、FP=0、FN>0，导致precision=0/0（未定义）、recall=0，scikit-learn默认zero_division='warn'下F1按0处理，故F1分数为0。
为什么类别不平衡会让 f1_score 变成 0
当正样本极少（比如占比 precision 和 recall 都会是 0 —— 因为真正例（TP）= 0，导致 f1_score = 2 * (precision * recall) / (precision + recall) 分母为 0，scikit-learn 默认返回 0（不是 NaN）。这不是计算错误，而是指标在极端情况下的定义行为。
- 常见诱因：
RandomForestClassifier或LogisticRegression默认不处理类别权重，训练时“忽略”稀有类 - 验证阶段若只用
average='binary'但pos_label设错（比如把少数类标号写成 0 而非 1），也会算出 0 - 数据泄露未被发现：比如用含标签的信息做标准化，让模型“记住”少数类分布，测试时失效
用 class_weight='balanced' 快速修复
这是最直接、影响最小的干预方式。它等价于给每个类 weight = n_samples / (n_classes * n_samples_in_class)，让损失函数对少数类误判施加更高惩罚。
- 仅适用于支持该参数的模型：
SVC、LogisticRegression、RandomForestClassifier、XGBClassifier（需设scale_pos_weight替代） - 不要和手动重采样同时用，否则权重叠加可能过拟合
- 验证时仍要用
average='macro'或'weighted'看整体 F1，避免被'binary'的单类视角误导
from sklearn.ensemble import RandomForestClassifier clf = RandomForestClassifier(class_weight='balanced', random_state=42)
重采样必须配合分层分割与独立验证集
用 imblearn 做 SMOTE 或随机欠采样本身不难，但错误发生在数据流里：
- 必须在
train_test_split之后，仅对训练集重采样；若先重采样再分割，测试集就“见过”合成样本 - 用
StratifiedKFold而非普通KFold，确保每折都保留原始类别比例（用于 baseline 对比）或重采样后比例（用于模型调参） - SMOTE 对高维稀疏特征（如 one-hot 后的类别变量）效果差，容易生成无意义样本；此时优先考虑
SVMSMOTE或直接换代价敏感学习
f1_score 计算时的三个关键参数陷阱
同一个预测结果，F1 值可能因参数不同从 0 跳到 0.6 —— 不是模型变了，是评估逻辑变了：
立即学习“Python免费学习笔记（深入）”；
-
average='binary'：只算正类（默认pos_label=1），若你的少数类是 0，必须显式写pos_label=0 -
average='macro'：各类 F1 算术平均，对少数类友好，但会掩盖多数类崩坏 -
zero_division参数：当某类 TP+FP=0 或 TP+FN=0 时，默认返回 0；设为zero_division=1可避免传播 NaN，但要清楚这属于人工补值
from sklearn.metrics import f1_score f1_score(y_true, y_pred, average='macro', zero_division=0)
实际中，F1 为 0 往往是信号链最前端断了：要么标签编码错位，要么训练集根本没包含少数类样本（检查 np.bincount(y_train)），要么评估时用了错误的 pos_label。先确认这三处，再动模型。
