能否在scikit-learn Pipeline中直接用ravel()/to_numpy()转换目标变量？

可以在Pipeline内完成目标变量的转换，推荐两种实用方案：

方法一：用TransformedTargetClassifier包裹模型与目标转换器 #

这个类专门用于对目标变量应用转换，完全适配你的场景。先定义一个将列向量转成1维数组的函数，再用FunctionTransformer包装它，最后和逻辑回归模型组合：

from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.compose import TransformedTargetClassifier
from sklearn.preprocessing import FunctionTransformer

# 定义转换函数：自动识别并转换DataFrame列/二维数组为1维数组
def flatten_target(y):
    return y.values.ravel() if hasattr(y, 'values') else y.ravel()

# 创建目标转换器
y_transformer = FunctionTransformer(flatten_target)

# 组合模型与转换器
log_reg_pipe = TransformedTargetClassifier(
    estimator=LogisticRegression(),
    transformer=y_transformer
)

# 训练并评估
log_reg_pipe.fit(X_train, y_train).score(X_val, y_val)

方法二：自定义逻辑回归估计器，自动处理y的形状 #

如果不想额外引入TransformedTargetClassifier，可以直接继承LogisticRegression，重写fit方法来自动处理目标变量的形状：

from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression

class LogRegWithFlattenY(LogisticRegression):
    def fit(self, X, y, sample_weight=None):
        # 自动转换y为1维数组
        y = y.values.ravel() if hasattr(y, 'values') else y.ravel()
        # 调用父类的fit方法完成训练
        return super().fit(X, y, sample_weight=sample_weight)

# 构建Pipeline
log_reg_pipe = Pipeline([
    ('log_reg', LogRegWithFlattenY())
])

# 训练并评估
log_reg_pipe.fit(X_train, y_train).score(X_val, y_val)

两种方案都能在模型训练流程内部完成目标变量的形状转换，无需提前手动处理y_train。

内容的提问来源于stack exchange，提问作者JonasEngstrom