ML.NET回归训练报错：Label列类型不匹配（预期Single，实际Vector<Single>）

问题原因 #

你将标签列Actual改为float[]（对应ML.NET的Vector<Single>类型），但回归训练器要求Label必须是单个Single数值，而非向量类型，因此触发Schema mismatch for label column 'Label': expected Single, got Vector<Single>错误。输入列改为向量是为了适配部分归一化选项，但标签列不需要遵循这个要求。

解决方案 #

方案1：修改ModelInput，保留标签为单个数值（推荐）

只将需要归一化的输入列设为向量，标签列保持为单个float类型：

public class ModelInput
{
    [LoadColumn(0)]
    public float Actual { get; set; } // 移除VectorType特性，保持单个float

    [LoadColumn(1)]
    [VectorType(1)]
    public float[] Input1 { get; set; }

    [LoadColumn(2)]
    [VectorType(1)]
    public float[] Input2 { get; set; }

    [LoadColumn(3)]
    [VectorType(1)]
    public float[] Input3 { get; set; }
}

同时调整赋值代码，直接给Actual赋值单个float：

modelInput.Actual = Convert.ToSingle(actual);

方案2：保留向量类型标签，添加转换步骤

如果必须保留Actual为向量类型，可在数据处理Pipeline中添加VectorToScalar转换，将向量转为单个数值作为Label：

var dataProcessPipeline = mlContext.Transforms
    .CopyColumns("LabelTemp", nameof(ModelInput.Actual))
    // 将Vector<Single>转换为Single类型的Label
    .Append(mlContext.Transforms.Conversion.VectorToScalar(outputColumnName: "Label", inputColumnName: "LabelTemp"))
    .Append(mlContext.Transforms.NormalizeBinning(outputColumnName: nameof(ModelInput.Input1)))
    .Append(mlContext.Transforms.NormalizeBinning(outputColumnName: nameof(ModelInput.Input2)))
    .Append(mlContext.Transforms.NormalizeBinning(outputColumnName: nameof(ModelInput.Input3)))
    .Append(mlContext.Transforms.Concatenate("Features", nameof(ModelInput.Input1),
        nameof(ModelInput.Input2), nameof(ModelInput.Input3)));

说明 #

归一化组件（如NormalizeBinning）支持向量类型输入是为了处理多维度特征，但回归任务的标签本质是单个预测目标值，因此必须保持为非向量的数值类型。两种方案都能解决Schema不匹配问题，方案1更符合回归任务的数据结构设计。

内容的提问来源于stack exchange，提问作者DarthVegan