Evalml: 单元测试中的警告消息：“在 double_scalars 中遇到无效值”等

问题
在本地运行，（在 python 3.8 上，但我在其他 python 版本上看到过类似的）：

(featurelabs) ➜  evalml git:(master) pytest -v evalml/tests/automl_tests/test_autobase.py::test_pipeline_limits
====================================================================== test session starts ======================================================================
platform darwin -- Python 3.8.0, pytest-4.4.1, py-1.8.0, pluggy-0.13.1 -- /Users/dsherry/anaconda/envs/featurelabs/bin/python
cachedir: .pytest_cache
rootdir: /Users/dsherry/development/aie/featurelabs/evalml, inifile: setup.cfg
plugins: xdist-1.26.1, cov-2.6.1, nbval-0.9.3, forked-1.1.3
collected 1 item

evalml/tests/automl_tests/test_autobase.py::test_pipeline_limits PASSED       [100%]

======================================================================= warnings summary ========================================================================
evalml/tests/automl_tests/test_autobase.py::test_pipeline_limits
evalml/tests/automl_tests/test_autobase.py::test_pipeline_limits
...
  /Users/dsherry/anaconda/envs/featurelabs/lib/python3.8/site-packages/sklearn/metrics/classification.py:1436: UndefinedMetricWarning:

  Precision is ill-defined and being set to 0.0 due to no predicted samples.
...
  /Users/dsherry/anaconda/envs/featurelabs/lib/python3.8/site-packages/sklearn/metrics/classification.py:1436: UndefinedMetricWarning:

  F-score is ill-defined and being set to 0.0 due to no predicted samples.
...
  /Users/dsherry/anaconda/envs/featurelabs/lib/python3.8/site-packages/sklearn/metrics/classification.py:872: RuntimeWarning:

  invalid value encountered in double_scalars
...
  /Users/dsherry/development/aie/featurelabs/evalml/evalml/automl/auto_base.py:307: RuntimeWarning:

  invalid value encountered in double_scalars

三个警告来自 sklearn，一个来自我们的代码。 每次运行测试时，我似乎都会收到略有不同的警告组合/顺序。

更多信息
这是最后一个警告来自的行，在AutoBase._add_result ：
high_variance_cv = (scores.std() / scores.mean()) > .2

我怀疑scores全为空或全为 0。但为什么呢？ 这是接下来要研究的事情。 当我们对模型进行评分时，也许是空的测试数据？

我怀疑这个数据集太小或太统一，并且在它上面训练的模型预测的值都是相同的或类似的。 如果我是对的，这强化了当用户上传他们的数据时我们需要防护栏来检测这个问题，并且在单元测试中模拟以避免实际拟合（#275）很重要（即使这个特定的测试不是可嘲讽）。

我在调试错误 #167 时遇到了这些警告，所以这可能与此有关。

下一步
我们应该确定为什么会出现这些警告。 如果测试设置有问题，让我们更改测试以修复或避免它。 否则，它可能是一个错误。 无论如何，我们不应该在正常使用情况下打印出这样的警告。