Random Forest分类报错：Unknown label type: 'continuous-multioutput'

问题背景 #

我正在用Kaggle的movie_metadata数据集做Random Forest分类，目标是把电影分成flop、average、hit三类。作为机器学习新手，我已经做了数据编码和缩放，代码如下：

from sklearn.ensemble import RandomForestClassifier
import seaborn as sns
import matplotlib.pyplot as plt
y_train.shape # (3004, 12)
x_train.shape # (3004, 12)
classifier = RandomForestClassifier(n_estimators = 100)

运行classifier.fit(x_train, y_train)时触发报错，错误信息：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-244-fdf0fc8db087> in <cell line: 1>()
----> 1 classifier.fit(x_train, y_train)

2 frames
/usr/local/lib/python3.9/dist-packages/sklearn/utils/multiclass.py in check_classification_targets(y)
    216         "multilabel-sequences",
    217     ]:
--> 218         raise ValueError("Unknown label type: %r" % y_type)
    219 
    220 

ValueError: Unknown label type: 'continuous-multioutput'

注：我已经查过类似问题并尝试了所有方法，目前正在学习Random Forest，请勿建议更换模型。

错误核心原因 #

报错的本质是你的标签集y_train完全不符合分类模型的要求：

• 从y_train.shape # (3004, 12)可以看出，y_train是12列的连续值矩阵，但Random Forest分类器要求标签是单列的离散类别值（比如0=flop、1=average、2=hit）。
• 你现在把多列连续数据当成分类标签输入，模型误判为多输出回归任务，但分类器不支持这种任务类型，因此直接抛出错误。

解决步骤 #

1. 重新生成正确的分类标签 #

首先要确定划分三类的依据（通常是电影票房gross或盈利gross-budget），把连续值转换成离散类别：

import pandas as pd
from sklearn.preprocessing import LabelEncoder

# 假设你的训练数据集是train_data，先处理票房字段的缺失值
train_data['gross'] = train_data['gross'].fillna(train_data['gross'].median())

# 方法1：用分位数均匀划分三类
train_data['label'] = pd.qcut(train_data['gross'], q=3, labels=['flop', 'average', 'hit'])

# 方法2：自定义阈值划分（比如根据行业标准）
# bins = [-float('inf'), 10000000, 50000000, float('inf')]
# train_data['label'] = pd.cut(train_data['gross'], bins=bins, labels=['flop', 'average', 'hit'])

# 将字符串标签转为数值（可选，sklearn支持字符串标签，但数值更稳定）
le = LabelEncoder()
y_train = le.fit_transform(train_data['label'])
# 此时y_train.shape应为(3004,)，是一维数组

2. 确认维度匹配 #

• x_train是特征矩阵，形状(3004,12)没问题；
• y_train必须是(3004,)的一维数组或(3004,1)的二维数组，绝对不能是多列。

3. 重新训练模型 #

classifier = RandomForestClassifier(n_estimators=100)
classifier.fit(x_train, y_train)  # 现在可以正常运行

新手友好的建设性意见 #

• 预处理盯紧标签：分类任务的标签必须是离散类别，每次预处理后都要检查y_train.dtype和y_train.shape，别把特征当成标签。
• 特征筛选优化：用Random Forest的特征重要性去掉冗余特征，提升模型效率：

  import matplotlib.pyplot as plt
  import seaborn as sns
  
  feature_importances = pd.Series(classifier.feature_importances_, index=x_train.columns)
  feature_importances.nlargest(10).plot(kind='barh')
  plt.title('Top 10 Feature Importances')
  plt.show()
  # 可以删除重要性极低的特征后重新训练
  

• 模型调参入门：从这几个关键参数入手调整：
  • n_estimators：决策树数量，建议100-500之间，数量越多效果越好但训练越慢；
  • max_depth：限制树的最大深度，比如设5-20，防止过拟合；
  • min_samples_split：节点分裂所需的最小样本数，调大可以减少过拟合。
• 模型评估不能少：训练后用测试集评估效果，看三类的分类表现：

  from sklearn.metrics import classification_report, confusion_matrix
  
  y_pred = classifier.predict(x_test)
  print(classification_report(y_test, y_pred))
  sns.heatmap(confusion_matrix(y_test, y_pred), annot=True, fmt='d', cmap='Blues', 
              xticklabels=['flop', 'average', 'hit'], yticklabels=['flop', 'average', 'hit'])
  plt.xlabel('Predicted')
  plt.ylabel('True')
  plt.show()
  

内容的提问来源于stack exchange，提问作者Mugdha