Keras模型评估报错：numpy.int32对象不可迭代求解决

错误原因 #

你的代码报错核心是model.predict(test_img_pca)返回的数组维度不符合预期：

• 若为二分类任务且模型最后一层用sigmoid激活，返回的是形状为(样本数,)的一维数组，每个元素是0-1之间的概率值。此时遍历prediction时，每个row是单个numpy.int32/float值，调用max(row)会触发错误——单个数值不是可迭代对象，无法计算最大值。
• 若为多分类任务，则说明模型输出维度错误（比如最后一层输出神经元数不等于类别数），导致prediction不是二维数组。

解决方案 #

根据任务类型选择对应的修改方式：

1. 多分类任务 #

直接使用np.argmax()高效获取每个样本的预测类别，替代低效且易出错的列表推导式：

from sklearn.metrics import accuracy_score, auc, f1_score, recall_score
import numpy as np

prediction = model.predict(test_img_pca)

# 沿axis=1维度取最大值对应的索引，即预测类别
prediction_cat = np.argmax(prediction, axis=1)

acc_krr = accuracy_score(y_test_cat, prediction_cat)
print("Accuracy: ", acc_krr)

rcl_krr = recall_score(y_test_cat, prediction_cat, average = None)
print("Recall: ", rcl_krr)

f1_krr = f1_score(y_test_cat, prediction_cat, average = None)
print("F1: ", f1_krr)

2. 二分类任务 #

通过阈值（通常取0.5）将概率值转换为类别标签：

from sklearn.metrics import accuracy_score, auc, f1_score, recall_score
import numpy as np

prediction = model.predict(test_img_pca)

# 用0.5作为阈值，将概率转为0/1类别，flatten确保形状与y_test_cat匹配
prediction_cat = (prediction > 0.5).astype(int).flatten()

acc_krr = accuracy_score(y_test_cat, prediction_cat)
print("Accuracy: ", acc_krr)

rcl_krr = recall_score(y_test_cat, prediction_cat, average = None)
print("Recall: ", rcl_krr)

f1_krr = f1_score(y_test_cat, prediction_cat, average = None)
print("F1: ", f1_krr)

额外检查 #

如果是多分类任务但输出维度异常，需确认模型最后一层配置：

• 输出神经元数量等于数据集的类别总数
• 激活函数使用softmax（多分类场景标准配置）

内容的提问来源于stack exchange，提问作者uyot10