SageMaker模型可解释性监控基线任务报ValueError维度错误

核心问题分析 #

报错ValueError: Expected 2D array, got 1D array instead本质是SHAP基线数据的维度未被SageMaker预处理流程正确识别——即便传入List[List[float]]，也可能在数据传递或内部转换时被扁平化。

具体修复步骤 #

• 强制声明基线数据的2D结构
  用numpy数组显式构造2D结构后转成列表，避免手动构造时的隐性格式问题：

  import numpy as np
  # 假设特征均值为1D数组，例：[0.5, 0.3, 0.7]
  baseline_means = np.array([0.5, 0.3, 0.7])
  # 转换为shape为(1, 特征数)的2D数组，再转成列表
  shap_baseline = baseline_means.reshape(1, -1).tolist()
  

  生成的shap_baseline为严格的[[0.5, 0.3, 0.7]]结构，确保不会被误判为1D。

• 对齐特征列配置与基线顺序
  确认DataConfig的features参数包含所有输入特征，且顺序和基线数据的特征顺序完全一致。特征列数量与基线长度不匹配，也会触发维度识别错误。

• 验证模型输入格式
  检查模型是否要求接收单样本的2D输入（如[[feature1, feature2,...]]），而非1D的[feature1, feature2,...]。可本地测试模型的predict方法，传入构造好的2D基线数据，确认能正常返回结果。

• 规范S3存储基线的格式
  若用S3 URI传入基线，确保存储文件为每行一个样本的结构：即使只有一个基线样本，也要写成一行多特征值（如CSV中一行是0.5,0.3,0.7，而非每个特征占一行）。同时确认ShapConfig中baseline_uri路径正确，且S3权限配置无误。

额外验证步骤 #

构造ShapConfig后，打印确认基线结构：

from sagemaker.model_monitor import ShapConfig
shap_config = ShapConfig(baseline=shap_baseline, ...)
print(shap_config.baseline)  # 应输出类似[[0.5, 0.3, 0.7]]的结构

内容的提问来源于stack exchange，提问作者Irfan Danish