如何基于Keras prefetch数据集为多标签分类生成混淆矩阵

报错是因为传入sklearn.metrics.confusion_matrix的两个标签格式不匹配：

• predicted_categories经过tf.argmax处理后是一维类别索引数组，属于普通多分类标签格式，每个值代表对应样本预测的类别编号（0~7）
• true_categories是直接从prefetch测试集拼接得到的one-hot编码矩阵，属于多标签指示器格式，形状为(样本总数, 8)，每个位置用0/1标记样本是否属于对应类别
  confusion_matrix要求输入的真实标签和预测标签必须是同一种编码格式，因此触发类型不匹配错误。

如果你的任务是单标签8分类（每个样本只属于一个类别，你当前代码监控categorical_accuracy也符合这个场景，只是标签存为了one-hot格式），只需要把真实标签也通过tf.argmax转为类别索引，和预测标签格式对齐即可。

修正后的核心代码如下：

from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
import matplotlib.pyplot as plt
import tensorflow as tf

# 获取模型预测结果
predictions = shallow_mlp_model.predict(test_dataset)
# 预测结果转为类别索引
predicted_categories = tf.argmax(predictions, axis=1)
# 拼接测试集真实标签，同时将one-hot标签转为类别索引
true_categories = tf.argmax(
    tf.concat([y for x, y in test_dataset], axis=0), 
    axis=1
)

# 生成混淆矩阵
cm = confusion_matrix(y_true=true_categories, y_pred=predicted_categories)

# 可选：可视化混淆矩阵
disp = ConfusionMatrixDisplay(
    confusion_matrix=cm,
    display_labels=[f"类别{i}" for i in range(8)] # 替换成你自己的类别名称
)
disp.plot()
plt.show()

• 拼接测试集标签前要确认测试集没有开启shuffle，否则数据集迭代时样本顺序随机，拼接出的标签和预测结果的样本顺序无法对应，会导致混淆矩阵计算结果完全错误。如果测试集加了shuffle，需要先去掉shuffle操作再做预测和标签拼接。
• 如果你实际做的是多标签分类（一个样本可以同时属于多个类别），不能直接使用普通的多分类混淆矩阵，需要针对每个类别单独计算二分类混淆矩阵，普通混淆矩阵仅支持单标签分类场景。
• 单标签多分类任务建议将损失函数从binary_crossentropy替换为categorical_crossentropy，更适配单标签one-hot标签的训练场景，binary_crossentropy更适合多标签分类的损失计算。

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