SVM训练报错类别数需大于1，但训练标签含两类问题排查

出现这个矛盾的核心原因是你将训练标签转换成了二维数组（(n_samples, 1)），而ART的SklearnClassifier在传递标签给底层SVM模型时，对二维标签的处理不符合预期。

尽管np.unique(train_labels)显示存在[0,1]两类，但二维格式的标签会干扰模型的类别检测逻辑：

• Sklearn原生SVC虽理论上支持二维标签作为单输出分类，但ART封装后的SklearnClassifier在处理时，可能误将二维结构识别为多输出任务，或是在内部转换过程中丢失了类别多样性的判断依据。

修复步骤 #

1. 直接移除标签维度转换代码：删掉train_labels = train_labels.reshape(-1,1)这一行。
2. 若后续有保留维度转换的需求，可将二维数组转回一维：

   train_labels = train_labels.ravel()  # 替代reshape(-1,1)操作
   

修改后的训练段代码示例：

# split data
train_features, test_features, train_labels, test_labels = train_test_split(features, enclabels, test_size=0.2)
train_labels = train_labels.ravel()

# train model
model = SVC(C=1.0, kernel="rbf")
classifier = SklearnClassifier(model=model)
classifier.fit(train_features, train_labels)

调整后标签回到(n_samples,)的一维格式，ART分类器就能正确识别两类标签，解决训练时的报错问题。

内容的提问来源于stack exchange，提问作者josh2291