XGBoost多分类数据集报错：预期类别0-8，实际得到0-9

问题原因 #

1. 训练/测试集类别分布不完整：
   你的数据集包含0-9共10个类别，但train_test_split随机划分时，可能出现训练集缺少某个类别（比如错误信息里的类别9）、测试集缺少另一个类别（比如类别2）的情况。XGBoost会根据训练集的标签自动推断类别集合，当测试时遇到训练集中未出现的标签，就会抛出标签不匹配的错误。

2. 未显式指定类别数量：
   XGBoost的XGBClassifier默认通过训练集标签推断num_class参数。当训练集类别不完整时，模型会错误地认为总类别数少于实际数量（比如错误里的9类而非10类），导致后续预测时与测试集标签冲突。

3. 与sklearn模型的兼容性差异：
   Random Forest、AdaBoost等sklearn原生模型对训练集缺失类别的容忍度更高，它们不会预先固定类别集合，预测时即使遇到未见过的标签，也会直接输出概率最高的类别，因此不会触发错误。

解决方法 #

方法1：显式指定类别总数 #

在初始化XGBClassifier时，手动设置num_class为实际类别数（这里是10），强制模型按10类任务处理，避免因训练集类别缺失导致的推断错误：

import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 显式指定num_class，同时关闭默认标签编码器并设置多分类评估指标
model = xgb.XGBClassifier(num_class=10, use_label_encoder=False, eval_metric='mlogloss')
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
print(accuracy_score(y_test, y_pred))

方法2：使用分层抽样划分数据集 #

通过stratify=y参数让train_test_split按标签分层抽样，确保训练集和测试集都包含所有类别，从根源避免类别缺失：

import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 分层抽样保证每个类别在训练/测试集中都有分布
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

model = xgb.XGBClassifier(use_label_encoder=False, eval_metric='mlogloss')
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
print(accuracy_score(y_test, y_pred))

方法3：结合两种方案（推荐） #

同时指定num_class和使用分层抽样，既保证模型正确识别总类别数，又避免划分时的类别缺失，稳定性更强：

import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

model = xgb.XGBClassifier(num_class=10, use_label_encoder=False, eval_metric='mlogloss')
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
print(accuracy_score(y_test, y_pred))

内容的提问来源于stack exchange，提问作者Ronald Yin