Core ML MLOneHotEncoder 更新后报错："unknown category String"

1. MLOneHotEncoder处理未知分类的行为变更 #

Core ML 14.x版本确实调整了MLOneHotEncoder的默认行为：在13.0.1及更早版本中，编码器会默认将未知分类映射为全0向量或自动忽略；而14.1.2开始，默认启用严格校验模式，输入的分类必须属于训练阶段定义的类别集合，否则直接抛出MLOneHotEncoder: unknown category String错误。这一变更的目的是强化输入数据的一致性，避免因未知分类导致的预测结果偏差。

2. 处理未知字符串分类的推荐实践 #

• 配置编码器的未知处理策略：训练模型时，明确设置MLOneHotEncoder的handleUnknown参数（Create ML工具中对应"未知类别处理"选项，coremltools中通过OneHotEncoder的参数配置）为"ignore"（将未知分类映射为全0向量）或"useEncodedValue"（使用自定义编码值），恢复旧版本的兼容行为。
• 客户端预处理过滤：在预测前添加数据校验逻辑，将输入中的未知分类映射到训练时存在的类别（比如映射到数据集中出现频率最高的类别），或者统一归为提前定义的"其他"类别（需确保训练数据中包含该类别）。
• 扩展训练数据集：如果业务中存在频繁出现的未知分类，可将这类数据补充到训练集中重新训练模型，让编码器提前学习这些类别。

3. 模型训练与预处理的修改建议 #

• 若要保持和旧版本一致的预测逻辑，必须修改模型训练代码或配置：在训练阶段设置MLOneHotEncoder的未知处理策略为非严格模式，重新导出Core ML模型。
• 若不想重新训练模型，可在客户端添加预处理步骤：对输入的分类字段进行校验，过滤掉不在模型类别集合中的值，或进行映射处理后再传入模型预测。

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