使用SVC、MultinomialNB分类时出现Unknown label type: 'continuous'错误如何解决

你选用的MultinomialNB、SVC都属于分类模型，仅支持输入离散的类别标签，你当前的ytrain是连续浮点数值，属于回归任务的标签类型，因此触发类型不匹配报错。你之前编写的标签编码代码未生效，是因为你没有将编码后的encoded变量传入模型训练，仍然使用了原始的连续值标签ytrain。

根据你的实际业务需求二选一即可：

方案1：确认做分类任务，调整标签处理逻辑 #

分类任务要求标签是固定的离散类别，你需要先把连续数值标签转换为离散类别：

• 推荐先根据业务逻辑对连续值做分箱处理，再编码为整数标签，示例代码如下：

import pandas as pd
from sklearn import preprocessing
from sklearn.naive_bayes import MultinomialNB

# 步骤1：将连续标签分箱为离散类别，可根据业务调整分箱数量、边界
ytrain_category = pd.cut(ytrain, bins=3, labels=['低', '中', '高'])
# 步骤2：将类别标签编码为整数
lab_enc = preprocessing.LabelEncoder()
encoded_ytrain = lab_enc.fit_transform(ytrain_category)

# 步骤3：训练模型时必须传入编码后的标签，不要传原始ytrain
model = MultinomialNB()
model.fit(Xtrain, encoded_ytrain)

• 如果你确实需要将每一个唯一的连续值作为单独类别，可以直接对原始ytrain做LabelEncoder编码，注意传入模型的必须是编码后的结果。

处理完成后可以运行以下代码验证标签类型，输出为binary或multiclass即为符合要求：

from sklearn import utils
print(utils.multiclass.type_of_target(encoded_ytrain))

方案2：确认做连续值预测任务，替换为回归模型 #

如果你的业务就是要预测连续数值，属于回归任务，直接替换对应回归模型即可，不需要修改标签：

from sklearn.svm import SVR
from sklearn.linear_model import BayesianRidge

# SVC对应替换为SVR（支持向量回归）
svr_model = SVR()
svr_model.fit(Xtrain, ytrain)

# MultinomialNB对应替换为贝叶斯回归类模型
bayes_model = BayesianRidge()
bayes_model.fit(Xtrain, ytrain)

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