使用accuracy_score评估XGBoost模型报错：无法处理未知与二分类目标混合

报错原因分析 #

报错ValueError: Classification metrics can't handle a mix of unknown and binary targets本质是真实标签（y_test）与预测结果（predictions）的类型/取值不匹配，即使两者都是一维数组，也可能存在数据类型不一致、取值范围不对应等问题，导致sklearn无法识别统一的分类目标类型。

排查与解决步骤 #

1. 先排查数据类型与取值 #

先打印两者的类型、数据类型和前几个值，精准定位问题：

# 打印y_test的关键信息
print("y_test数组类型:", type(y_test.to_numpy()))
print("y_test数据类型:", y_test.to_numpy().dtype)
print("y_test前5个值:", y_test.head().tolist())

# 打印predictions的关键信息
print("predictions数组类型:", type(predictions))
print("predictions数据类型:", predictions.dtype)
print("predictions前5个值:", predictions[:5])

2. 根据排查结果针对性解决 #

场景1：y_test是字符串/object类型，predictions是整数类别

如果y_test是类似['positive', 'negative']的字符串标签，而predictions输出的是[1,0]这类整数，需要将y_test映射为与predictions一致的数值类型：

# 自定义映射规则，根据实际标签调整
y_test_encoded = y_test.map({'positive': 1, 'negative': 0}).to_numpy()
accuracy = accuracy_score(y_test_encoded, predictions)

场景2：predictions输出的是概率值而非类别

如果误用了XGBRegressor（而非分类器XGBClassifier），或者误调用了predict_proba，predictions会是0-1之间的概率值，与y_test的二元标签（0/1）不匹配。此时需要将概率转换为类别：

# 以0.5为阈值转换为二元类别
predictions_classes = (predictions > 0.5).astype(int)
accuracy = accuracy_score(y_test.to_numpy(), predictions_classes)

场景3：y_test的numpy数组是object类型（包含非数值）

如果y_test的dtype是object，即使内容是数字，也会被sklearn判定为unknown类型，需要转为数值类型：

y_test_numeric = y_test.to_numpy().astype(int)
accuracy = accuracy_score(y_test_numeric, predictions)

场景4：模型类型错误

如果任务是分类任务，但不小心用了XGBRegressor，会导致predict输出连续值，与分类标签不匹配。此时需要改用XGBClassifier：

from xgboost import XGBClassifier

# 重新初始化分类器并训练
xgb_model = XGBClassifier()
xgb_model.fit(X_train, y_train)
predictions = xgb_model.predict(X_test)
accuracy = accuracy_score(y_test.to_numpy(), predictions)

内容的提问来源于stack exchange，提问作者mmmmmm