sklearn DummyClassifier预测异常：预期为S却输出C的问题排查

以下是几个最可能的原因和对应的排查步骤：

• 训练集实际类别分布和预期不符
  别想当然认为S是数据集里的多数类，先实打实统计训练集中两类的数量：

  # 用pandas统计（如果标签是Series）
  import pandas as pd
  print(pd.Series(y_train).value_counts())
  
  # 用numpy统计（如果标签是数组）
  import numpy as np
  counts = np.bincount(y_train)
  print(f"类别0数量: {counts[0]}, 类别1数量: {counts[1]}")
  

  要是训练集里C的样本数确实更多，那模型输出C就是正常的——most_frequent策略只会输出训练集里出现最多的类别，不是整个数据集的。

• 标签编码/映射搞反了
  如果你给标签做过编码（比如把S转成0、C转成1，或者反过来），别直接把模型输出的数字当成原始标签。可以打印模型的classes_属性看对应关系：

  print(dummy_clf.classes_)
  

  这个数组的索引对应模型输出的编码值，比如classes_ = ['S', 'C']的话，输出0对应S，1对应C。

• 数据划分或模型拟合的低级错误

  • 检查train_test_split有没有传错参数：比如stratify参数是不是传成了X而不是y，导致分层失效，训练集类别失衡；或者没加stratify，随机划分刚好把多数S分到了测试集里。
  • 确认模型初始化时策略确实是most_frequent，有没有写成stratified或其他；拟合时有没有把X和y搞混（比如dummy_clf.fit(y_train, X_train)这种低级错误）。

• 对"预期输出"的误解
  别把测试集的真实标签当成most_frequent策略的预期输出——该策略的预期输出是训练集的多数类，和测试集的类别分布无关。比如测试集里S多，但训练集里C多，模型输出C是正确的。

内容的提问来源于stack exchange，提问作者Albin F