Scikit-Learn分类模型报错：目标类型仅支持binary/multiclass 得到unknown如何解决

报错原因 #

你调用的所有算法均为分类模型，仅支持离散的二分类/多分类标签作为预测目标。但你代码中作为预测目标的y是Average_base_price（平均基础价格），属于连续浮点型数值，scikit-learn无法将其识别为分类任务的合法目标类型，因此触发了该报错。

解决方案 #

根据你的业务需求（衡量品牌对价格的影响、判断指定品类下生产商定价是否更高），推荐优先选择回归方案，也可以根据需要将任务转为分类：

方案1：改用回归模型（适配连续价格预测场景） #

直接替换分类模型为回归模型，同步调整验证逻辑即可，修改后的代码参考：

# 前面数据读取、编码部分保持不变
from sklearn.linear_model import LinearRegression, Ridge
from sklearn.neighbors import KNeighborsRegressor
from sklearn.tree import DecisionTreeRegressor
from sklearn.svm import SVR
from sklearn.model_selection import KFold, cross_val_score

# 替换为回归模型
models = []
models.append(('线性回归', LinearRegression()))
models.append(('岭回归', Ridge()))
models.append(('KNN回归', KNeighborsRegressor()))
models.append(('决策树回归', DecisionTreeRegressor()))
models.append(('SVR', SVR(gamma='auto')))

# 评估逻辑调整
results = []
names = []
for name, model in models:
    # 回归任务用普通K折即可，不需要分层
    kfold = KFold(n_splits=10, random_state=1, shuffle=True)
    # 回归用R²作为评估指标，也可替换为neg_mean_absolute_error、neg_mean_squared_error
    cv_results = cross_val_score(model, X_train, Y_train, cv=kfold, scoring='r2')
    results.append(cv_results)
    names.append(name)
    print('%s: R²均值%.4f (标准差%.4f)' % (name, cv_results.mean(), cv_results.std()))

如果需要分析生产商对价格的影响，训练线性回归后查看特征系数即可：控制品类变量后，生产商特征的系数为正则代表该厂商定价普遍高于基准，系数为负则代表定价更低。

方案2：转为分类任务 #

如果你仅需要判断定价高低，可先将连续价格离散化为分类标签后再运行原有分类模型，示例离散化代码：

# 按品类分组，高于同品类均价标记为1（高定价），低于为0（低定价）
dataset['is_high_price'] = dataset.groupby('Category')['Average_base_price'].transform(
    lambda x: (x > x.mean()).astype(int)
)
# 替换y为新生成的分类标签
y = dataset['is_high_price'].values

修改后即可正常运行原有分类模型代码。

内容的提问来源于stack exchange，提问作者Zuhal