我正在尝试在多类分类中使用 F1 分数进行模型选择。
我正在按类别计算它们并对其进行平均：(F1(class1)+F1(class1)+F1(class1))/3 = F1(total)
但是，在某些情况下，我会得到 F1 分数的 NaN 值。这是一个示例：设 true_label = [1 1 1 2 2 2 3 3 3] 和 pred_label = [2 2 2 2 2 2 3 3 3]。
那么混淆矩阵看起来像： C =[0 3 0; 0 3 0; 0 0 3]
这意味着当我计算第一类的精度（计算 F1 分数）时，我得到：0/(0+0+0)，这是未定义的或 NaN。
首先，我在这里计算 F1 分数或精度是否有误？其次，在模型选择中我应该如何对待这些情况？忽略它们，或者我应该将此类的 F1 分数设置为 0（减少此模型的总 F1 分数）。
任何帮助将不胜感激！