...
Eroare Machine Learning · Etichete, clasificare și metrici

UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 due to no predicted samples. Use `zero_division` parameter to control this behavior.

Pe scurt

Modelul n-a prezis niciodată clasa pozitivă, deci precizia ar fi 0 împărțit la 0; scikit-learn o pune 0 și te avertizează. Cauza reală e de obicei un model care prezice doar clasa majoritară. Echilibrează clasele (class_weight='balanced', prag mai mic) și setează zero_division explicit.

Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

Ce înseamnă

Precizia înseamnă „din câte ori am spus pozitiv, de câte ori am avut dreptate”: TP / (TP + FP). Dacă modelul nu a spus niciodată „pozitiv”, numitorul este 0, iar precizia nu este definită. scikit-learn alege 0.0 și emite avertismentul, ca să știi că numărul nu e o măsurătoare reală. Mesajul înrudit pentru recall (no true samples) apare când în y_true nu există nicio etichetă pozitivă.

Avertismentul îți spune ceva important despre model: la date dezechilibrate (puține fraude, puțini clienți care pleacă), un model simplu ajunge să prezică mereu clasa majoritară și are o acuratețe care pare bună. Uită-te la y_pred.sum() sau la matricea de confuzie. Parametrul zero_division doar alege ce valoare se afișează; nu repară modelul. În editor, avertismentul e transformat în eroare cu warnings.simplefilter("error").

De ce apare: cauzele frecvente

1Model care prezice doar clasa majoritară

Greșit
PYTHON
model = LogisticRegression().fit(X_train, y_train)  # 5% fraude
print(precision_score(y_test, model.predict(X_test)))
Corect
PYTHON
model = LogisticRegression(class_weight="balanced").fit(X_train, y_train)
print(precision_score(y_test, model.predict(X_test)))

class_weight="balanced" dă mai multă greutate clasei rare la antrenare, așa că modelul începe să o prezică.

2Prag de decizie prea mare

Greșit
PYTHON
y_pred = (model.predict_proba(X_test)[:, 1] >= 0.9).astype(int)
precision_score(y_test, y_pred)
Corect
PYTHON
y_pred = (model.predict_proba(X_test)[:, 1] >= 0.5).astype(int)
precision_score(y_test, y_pred, zero_division=0)

Un prag mai rezonabil produce predicții pozitive; zero_division=0 spune explicit ce vrei când nu există niciuna.

3Set de test fără exemple pozitive

Greșit
PYTHON
recall_score([0, 0, 0], [0, 1, 0])
Corect
PYTHON
recall_score([0, 1, 0, 1], [0, 1, 0, 0])

Recall-ul se raportează la pozitivele reale; fără ele, metrica nu are sens. Ai nevoie de un set de test cu ambele clase (stratify).

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos transformă avertismentele în erori și se oprește cu UndefinedMetricWarning: Precision is ill-defined..., pentru că modelul nu prezice niciodată frauda (clasa 1). Repară-l: antrenează regresia logistică cu class_weight="balanced", ca programul să afișeze câte fraude a semnalat modelul și precizia.

Codul care dă eroarea
PYTHON
import warnings
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import precision_score

warnings.simplefilter("error")

suma = np.array([[10], [25], [30], [15], [40], [22], [35], [18], [28], [33], [90], [95]])
frauda = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0])

model = LogisticRegression(C=0.0001).fit(suma, frauda)
y_pred = model.predict(suma)
print("Fraude semnalate:", int(y_pred.sum()))
print("Precizie:", round(precision_score(frauda, y_pred), 2))
După reparație, programul afișează
Fraude semnalate: 2
Precizie: 0.5
Indiciu

Creează modelul cu LogisticRegression(class_weight="balanced").

Alte forme ale mesajului

  • UndefinedMetricWarning: Recall is ill-defined and being set to 0.0 due to no true samples. Use `zero_division` parameter to control this behavior.
  • UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 in labels with no predicted samples. Use `zero_division` parameter to control this behavior.
  • UndefinedMetricWarning: F-score is ill-defined and being set to 0.0 due to no true nor predicted samples. Use `zero_division` parameter to control this behavior.

Cum o eviți pe viitor

La date dezechilibrate, verifică întotdeauna matricea de confuzie și câte predicții pozitive face modelul, nu doar acuratețea. Compară modelul cu un DummyClassifier. Folosește class_weight="balanced", ajustează pragul de decizie și împarte datele cu stratify=y. Setează zero_division explicit în rapoarte, ca să nu ai avertismente care ascund problema.

Întrebări frecvente

Dacă pun zero_division=0, am rezolvat problema?

Ai rezolvat doar afișarea: avertismentul dispare și precizia e 0. Problema reală, un model care nu prezice niciodată clasa importantă, rămâne și trebuie reparată în model sau în date.

De ce acuratețea e mare, dar precizia e 0?

Pentru că, dacă 95% din exemple sunt negative, modelul care spune mereu „negativ” are 95% acuratețe. Nu prinde însă niciun pozitiv, iar precizia și recall-ul arată exact asta.

Erori înrudite

← Toate erorile Machine Learning

Tudor Andrei Dumitrescu
Cine a explicat eroarea

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Fiecare eroare de aici a fost reprodusă în editorul nostru: codul greșit chiar dă mesajul din titlu, iar reparația chiar funcționează.

Învață Machine Learning de la zero, cu exerciții la fiecare lecție

Curs Machine Learning și AI pentru începători: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.