解决ValueError:分类指标无法处理未知与多标签指示器目标混合报错

这个报错本质是传入sklearn分类指标的真实标签、预测结果格式不匹配，结合你贴的代码，常见触发场景有三个：

• 你的test_labels是形状为(样本数,)的一维0/1整数数组，但模型输出的预测值是二维的概率矩阵（比如softmax输出的(样本数,2)格式、sigmoid输出的未展平的(样本数,1)格式），两种维度/类型的目标值无法被指标函数同时解析。
• 数据读取时混入了系统隐藏文件、损坏图片，导致部分图片读取失败，最终生成的特征/标签数组中存在无效值，被指标函数识别为unknown类型目标。
• 部分单通道灰度图、带透明通道的RGBA图片在转换三通道时逻辑有漏洞，生成的特征数组维度异常，连带标签解析失败。

1. 重构数据处理函数，增加异常过滤和格式校验 #

替换原有process_data函数，增加文件过滤、异常捕获、图片通道兼容逻辑，从源头避免无效数据：

import os
import cv2
import numpy as np
import matplotlib.pyplot as plt

input_path = '/content/gdrive/MyDrive/chest_xray/'
def process_data(img_dims, batch_size):
    test_set = []
    test_labels = []

    for cond in ['/NORMAL/', '/PNEUMONIA/']:
        # 拼接路径时避免手动拼字符串的格式错误
        cond_full_path = os.path.join(input_path, 'test', cond.strip('/'))
        for img_name in os.listdir(cond_full_path):
            # 跳过.DS_Store这类系统隐藏文件
            if img_name.startswith('.'):
                continue
            img_full_path = os.path.join(cond_full_path, img_name)
            try:
                img = plt.imread(img_full_path)
                # 兼容不同通道数的输入图片
                if len(img.shape) == 2:
                    # 单通道灰度图转三通道
                    img = np.dstack([img, img, img])
                elif img.shape[-1] == 4:
                    # RGBA四通道图转RGB三通道
                    img = cv2.cvtColor(img, cv2.COLOR_RGBA2RGB)
                img = cv2.resize(img, (img_dims, img_dims))
                img = img.astype('float32') / 255
                # 生成二分类标签
                label = 0 if cond == '/NORMAL/' else 1
                test_set.append(img)
                test_labels.append(label)
            except Exception as e:
                # 读取失败的图片直接跳过，避免污染数据集
                print(f"跳过无效图片 {img_full_path}，错误信息：{str(e)}")
                continue
        
    test_set = np.array(test_set)
    test_labels = np.array(test_labels)
    # 打印维度做校验
    print(f"测试集加载完成，特征维度：{test_set.shape}，标签维度：{test_labels.shape}")
    return test_set, test_labels

2. 统一预测结果和真实标签的格式 #

根据你模型输出层的结构，在调用分类指标前把预测结果转换成和真实标签一致的一维0/1整数数组：

• 如果输出层是2个神经元+Softmax（用多分类结构实现二分类）：

# 加载测试集
test_set, test_labels = process_data(224, 32)
# 得到模型预测概率
pred_prob = model.predict(test_set, batch_size=32)
# 取概率最大的类别作为预测结果，转换为一维数组
pred_label = np.argmax(pred_prob, axis=1)

# 此时再调用分类指标不会报错
from sklearn.metrics import classification_report, confusion_matrix
print(classification_report(test_labels, pred_label))
print(confusion_matrix(test_labels, pred_label))

• 如果输出层是1个神经元+Sigmoid（标准二分类结构）：

test_set, test_labels = process_data(224, 32)
pred_prob = model.predict(test_set, batch_size=32)
# 用0.5作为阈值判断类别，展平为一维数组
pred_label = (pred_prob > 0.5).astype(int).flatten()

print(classification_report(test_labels, pred_label))

3. 前置校验逻辑 #

如果修改后仍报错，在调用指标前打印两个数组的属性排查问题：

print(f"真实标签：维度{test_labels.shape}，类型{test_labels.dtype}")
print(f"预测标签：维度{pred_label.shape}，类型{pred_label.dtype}")

只要两个数组都是形状为(样本数,)的整数型一维数组，就不会触发该格式不匹配报错。

内容的提问来源于stack exchange，提问作者Muhd Hafiz Syazwan Mohd Azam