CNN文本分类模型混淆矩阵报错：无法处理二元与连续目标混合

问题根源 #

报错有两个核心原因：

• 模型预测输出是连续值（比如概率值），但confusion_matrix要求输入必须是离散的类别标签（比如二分类的0/1）
• 真实标签y_test是一维数组（shape=(40,)），而预测结果predict是二维数组（shape=(40,1)），维度不匹配

解决步骤 #

1. 转换预测结果为类别标签 + 统一维度

根据任务类型处理：

• 二分类任务：以0.5为阈值，将概率转换为0/1标签，同时把二维数组压平成一维：

# 先把二维预测数组转为一维
predict = predict.flatten()
# 按阈值生成类别标签
predict_labels = (predict > 0.5).astype(int)

• 多分类任务：取每个样本概率最大的类别索引，自动转为一维标签：

# 取概率最大的类别，输出为一维数组(40,)
predict_labels = predict.argmax(axis=1)

2. 重新计算混淆矩阵

用转换后的标签和y_test计算：

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

验证维度 #

转换后predict_labels.shape应该和y_test.shape一致，都是(40,)，此时就能正常生成混淆矩阵了。

内容的提问来源于stack exchange，提问作者Umer