分类任务遇‘二元与未知目标混合’报错，如何忽略未知目标计算指标？

遇到这个报错太正常了——scikit-learn的分类评估指标（比如混淆矩阵）只认纯数值的标签，而你的y_pred里混了None（属于未知目标类型），自然会触发类型不匹配的错误。咱们只需要把那些没有有效预测的样本过滤掉，只保留有明确0/1预测的样本对，就能正常计算指标了。

具体解决方案 #

核心思路是同时过滤测试集标签y_test和预测结果y_pred，确保两者只保留y_pred不为None的样本，这样就都是合法的二进制标签了。

你可以在生成y_pred之后，添加这段代码完成过滤：

# 生成过滤掩码：标记哪些y_pred不是None
mask = [pred is not None for pred in y_pred]
# 同步过滤测试集标签和预测结果
y_test_filtered = y_test[mask]
y_pred_filtered = [p for p in y_pred if p is not None]

然后把原来计算指标的代码，全部替换成使用过滤后的数组：

from sklearn.metrics import classification_report, confusion_matrix, accuracy_score
print('confusion matrix\n',confusion_matrix(y_test_filtered, y_pred_filtered))
print('classification report\n', classification_report(y_test_filtered, y_pred_filtered))
print('accuracy score', accuracy_score(y_test_filtered, y_pred_filtered))

# 注意：MAE、MSE是回归任务的指标，用在分类场景意义不大，可按需保留
from sklearn import metrics
print('Mean Absolute Error:', metrics.mean_absolute_error(y_test_filtered, y_pred_filtered))
print('Mean Squared Error:', metrics.mean_squared_error(y_test_filtered, y_pred_filtered))
print('Root Mean Squared Error:', np.sqrt(metrics.mean_squared_error(y_test_filtered, y_pred_filtered)))

整合后的完整关键代码片段 #

把修改整合到你的原有代码中，最终关键部分如下：

probs = regressor.predict_proba(X_test)

# 生成带None的预测结果
y_pred = [None]*len(y_test)
for i in range(len(probs)):
    if (probs[i][0]>=0.8) & (probs[i][1]<0.8):
        y_pred[i] = 0
    elif (probs[i][0]<0.8) & (probs[i][1]>=0.8):
        y_pred[i] = 1

# 过滤无效预测样本
mask = [pred is not None for pred in y_pred]
y_test_filtered = y_test[mask]
y_pred_filtered = [p for p in y_pred if p is not None]

# 计算分类指标
from sklearn.metrics import classification_report, confusion_matrix, accuracy_score
print('confusion matrix\n',confusion_matrix(y_test_filtered, y_pred_filtered))
print('classification report\n', classification_report(y_test_filtered, y_pred_filtered))
print('accuracy score', accuracy_score(y_test_filtered, y_pred_filtered))

这样修改后，就只会基于那些有明确预测结果的样本来计算指标，不会再触发类型不匹配的错误了。

内容的提问来源于stack exchange，提问作者منى