如何修复ValueError：分类指标无法处理多分类与连续多输出目标混合问题

问题根源 #

你遇到的报错有两个核心原因：

• 标签维度不匹配：cifar10.load_data()返回的测试集标签y_test是二维数组（形状为(10000, 1)），而confusion_matrix要求输入一维的类别索引。
• 预测结果类型错误：model.predict(X_test)返回的是每个样本对应10个类别的概率值数组（形状为(10000, 10)），属于连续多输出类型，而confusion_matrix需要的是离散的类别索引值。

之前用train_test_split的代码能正常运行，大概率是因为你当时的标签已经被处理为一维，或者划分后默认输出一维标签，同时可能提前把预测概率转成了类别索引。

修复步骤 #

直接修改代码中生成y_pred和处理y_test的部分：

1. 把二维的y_test转为一维：

   y_test = y_test.flatten()  # 或者 y_test = np.squeeze(y_test)
   

2. 将预测概率转为类别索引（取概率最大的类别）：

   y_pred_probs = model.predict(X_test)
   y_pred = np.argmax(y_pred_probs, axis=1)
   

3. 再调用混淆矩阵：

   from sklearn.metrics import confusion_matrix
   cm = confusion_matrix(y_test, y_pred)
   

这样就能匹配confusion_matrix对输入类型的要求，顺利生成混淆矩阵。

内容的提问来源于stack exchange，提问作者blacky