Label Encoder反向转换在神经网络中失效？如何解决？

LabelEncoder的反向转换失效和Keras本身无关，问题大概率出在编码器实例复用、索引转换环节或类别映射上，以下是具体解决办法：

• 必须复用训练时的同一个LabelEncoder实例
  训练阶段拟合LabelEncoder后，一定要把这个实例保存下来（别重新初始化新的编码器做反向转换）。比如用pickle序列化存储：

  from sklearn.preprocessing import LabelEncoder
  import pickle
  import numpy as np
  from keras.models import load_model
  
  # 训练时的编码器拟合与保存
  le = LabelEncoder()
  y_encoded = le.fit_transform(your_dataframe['category_col'])
  with open('label_encoder.pkl', 'wb') as f:
      pickle.dump(le, f)
  
  # 预测阶段加载编码器并还原标签
  model = load_model('your_keras_model.h5')
  test_probs = model.predict(X_test)
  pred_indices = np.argmax(test_probs, axis=1)  # 把概率转成类别索引
  
  with open('label_encoder.pkl', 'rb') as f:
      trained_le = pickle.load(f)
  original_labels = trained_le.inverse_transform(pred_indices)
  

• 检查预测索引的合法性
  LabelEncoder的编码是从0开始的连续整数（比如A→0、B→1、C→2），确认pred_indices里的数值都在0到len(le.classes_)-1范围内。如果出现超出范围的索引，inverse_transform会报错或返回错误结果——这种情况要检查模型输出的概率维度是否和类别数量匹配。

• 验证编码器的类别映射
  直接打印训练时编码器的classes_属性，确认原始类别的顺序：

  print(le.classes_)  # 应输出类似array(['A', 'B', 'C'], dtype=object)的结果
  

  如果顺序和你预期的原始类别不符，说明拟合编码器时输入的原始数据顺序有问题，导致反向转换的映射错位。

• 若使用独热编码的额外说明
  如果你在Keras前用keras.utils.to_categorical把LabelEncoder的结果转成了独热编码，预测后用np.argmax得到的索引依然可以直接用训练时的LabelEncoder做反向转换，逻辑和上面一致。

内容的提问来源于stack exchange，提问作者user377339