Sklearn MLPClassifier拟合图像模型时遇TypeError与ValueError求助

错误原因 #

• 你输入的特征X是嵌套的图像数组，每个样本是形状可能不同的三维数组（比如图像宽高不一致），但Sklearn的MLPClassifier要求输入是每个样本对应一维特征向量的二维数组（形状为(n_samples, n_features)），无法处理嵌套的object数组。
• 对y_train/y_test做了不必要的reshape，转成二维数组，虽然部分模型兼容，但MLP更适配一维标签数组。
• 报错信息里的TypeError和ValueError本质是Sklearn尝试将嵌套数组转为标量失败，无法处理非标准的特征输入格式。

解决方案 #

关键步骤 #

1. 统一图像尺寸：把所有图像缩放到相同大小，避免不同样本的特征维度不一致。
2. 展平图像特征：将三维RGB图像数组转成一维特征向量，满足Sklearn模型的输入要求。
3. 修正标签形状：保持y为一维数组即可，无需转二维。
4. 特征标准化：MLP对数据尺度敏感，标准化能提升模型收敛速度和性能。

修改后的完整代码 #

from PIL import Image
import glob
import numpy as np
from sklearn.metrics import accuracy_score
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

X = []
y = []

# 定义统一的图像尺寸，可根据需求调整
IMAGE_SIZE = (64, 64)
classes = ["Anthracnose", "Leaf Crinkcle", "Powdery Mildew", "Yellow Mosaic", "Healthy"]

for i in range(5):
    for filename in glob.glob(r"C:\-\-\-\-\-\-\\" + classes[i] + r"/*.jpg"):
        image = Image.open(filename)
        # 统一缩放图像到指定尺寸
        image_resized = image.resize(IMAGE_SIZE)
        # 将三维图像数组展平为一维特征向量
        matrix_temp = np.array(image_resized).flatten()
        X.append(matrix_temp)
        y.append(i)

# 转换为标准的numpy数组，X形状为(样本数, 特征数)，y为一维数组
X = np.array(X)
y = np.array(y)

X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2)

# 特征标准化：MLP模型必须的预处理步骤
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 初始化模型，可根据需求调整迭代次数、隐藏层结构等参数
model = MLPClassifier(random_state=42, max_iter=1000)
model.fit(X_train, y_train)

# 评估模型
y_pred = model.predict(X_test)
print(f"测试集准确率: {accuracy_score(y_test, y_pred):.4f}")

关键修改说明 #

• image.resize(IMAGE_SIZE)：强制所有图像尺寸一致，解决特征维度不统一的问题。
• .flatten()：把三维的图像数据（宽×高×通道）转成一维数组，让每个样本对应一个固定长度的特征向量。
• 移除了对X_train/X_test的reshape(-1,1)操作，直接生成符合要求的二维特征矩阵。
• 去掉了对y的reshape操作，保持一维数组格式。
• 添加StandardScaler做标准化，避免因特征值尺度差异导致模型无法收敛或性能差。

内容的提问来源于stack exchange，提问作者Bob123