Keras多分类模型预测逆缩放引发形状广播错误问题求助

错误原因 #

你犯了一个概念性错误：StandardScaler 是用来预处理输入特征（也就是模型的X数据）的，它内部保存的均值、标准差数组是基于输入特征的维度（你的输入是9维，所以形状为(9,)）。而模型输出的(1,6)数组是6个类别的softmax概率，和输入特征属于完全不同的数据范畴，根本不需要对它执行逆缩放操作——这就是触发形状不匹配报错的核心原因。

正确获取分类结果与概率的方法 #

1. 直接获取各类别概率 #

模型预测输出的(1,6)数组本身就是每个类别的概率值，你可以直接打印查看：

pred_probs = model.predict(test_sample)
print("各类别概率：", pred_probs)

2. 获取预测的类别标签 #

如果需要得到具体的分类结果（比如对应0-5的整数标签），可以用np.argmax()提取概率最大的索引：

import numpy as np
pred_class = np.argmax(pred_probs, axis=1)
print("预测类别：", pred_class)

如果你的原始标签是字符串形式（而非整数编码），可以提前建立类别映射字典，比如：

class_map = {0: "类别A", 1: "类别B", 2: "类别C", 3: "类别D", 4: "类别E", 5: "类别F"}
pred_class_name = class_map[pred_class[0]]
print("预测类别名称：", pred_class_name)

关键补充 #

输入特征的缩放仅针对模型的输入数据：训练前对X_train执行sc.fit_transform()，对X_test执行sc.transform()即可。模型的输出是分类概率，和输入特征的缩放逻辑毫无关系，不需要做任何逆处理。

内容的提问来源于stack exchange，提问作者Ernesto