使用Ivy框架结合KDD数据集训练模型时遇多分类标签不兼容错误

这个错误的核心是真实标签（y_test）和预测结果（ivy_pred）的格式不兼容——一个是单维度的多分类类别索引（如[0,1,2,0]），另一个是多维度的one-hot编码矩阵（即multilabel-indicator，如[[1,0,0],[0,1,0],...]），或者两者格式颠倒。以下是具体排查方向：

1. 检查y_test的预处理格式 #

NSL-KDD数据集的标签属于多分类类型（正常、DoS、Probe等），如果预处理时使用了OneHotEncoder、pd.get_dummies或类似工具将标签转成了one-hot编码，y_test会变成二维数组（shape为(样本数, 类别数)），而accuracy_score要求真实标签是单维度的类别索引（shape为(样本数,)）。

解决：如果y_test是one-hot格式，转成类别索引：

import numpy as np
y_test = np.argmax(y_test, axis=1)

2. 检查ivy_pred的输出格式 #

Ivy封装XGBoost时，需注意预测输出的类型：

• 如果XGBoost的objective参数设为multi:softprob，模型会输出每个类别的概率矩阵（shape为(样本数, 类别数)），此时需要取最大概率对应的类别索引；
• 如果objective设为multi:softmax，模型直接输出类别索引，但需确认Ivy是否保持了这个输出格式，没有额外转换为one-hot。

解决：如果ivy_pred是概率矩阵，转成类别索引：

# 先将Ivy张量转为numpy数组
ivy_pred_np = ivy.to_numpy(ivy_pred)
# 取最大概率对应的类别
ivy_pred = np.argmax(ivy_pred_np, axis=1)

3. 验证两者的维度匹配 #

转换后分别打印y_test.shape和ivy_pred.shape，确保两者都是单维度数组（如(1000,)），而不是二维矩阵（如(1000,5)）。只有维度一致且都是类别索引时，accuracy_score才能正常计算。

内容的提问来源于stack exchange，提问作者Sujata R