如何将模型预测的独热编码结果转换为原始类别向量？

这个问题很常见，尤其是在使用独热编码做分类任务后，需要把模型输出的概率结果转回原始类别标签。结合你的代码，我给你两种简单的解决方法：

方法一：直接利用np.argmax映射（适用于二分类且类别为0/1的场景） #

你的任务是二分类（最后一层输出2个单元+softmax），而且原始target是0和1的整数类别。因为pd.get_dummies(y)生成的独热编码列是按类别升序排列的（即第一列对应0，第二列对应1），所以用np.argmax取概率最大的索引，直接就是原始类别值：

# 获取每个样本概率最大的类别索引，结果就是原始类别向量
predicted_classes = np.argmax(predictions, axis=1)

这样得到的predicted_classes就是和独热编码前的原始y完全一致的格式，比如array([0, 1, 0, 1, ...])。

方法二：基于pd.get_dummies的列映射（通用所有类别场景） #

如果你的原始类别不是0/1，或者后续可能扩展为多分类，这个方法更通用。因为pd.get_dummies生成的DataFrame的列名就是原始的类别标签，我们可以通过索引映射回去：

# 1. 获取每个样本概率最大的类别索引
pred_indices = np.argmax(predictions, axis=1)

# 2. 获取独热编码对应的原始类别标签（从之前的y中提取）
# 这里y是pd.get_dummies生成的DataFrame，columns就是原始类别
original_class_labels = y.columns.astype(int)  # 如果原始类别是字符串则去掉astype(int)

# 3. 将索引转换为原始类别向量
predicted_classes = original_class_labels[pred_indices]

为什么这个方法可靠？ #

pd.get_dummies会自动按类别值的升序排列列，只要你的原始类别集合不变，列的顺序就固定，所以索引和原始类别是一一对应的。

验证方法 #

你可以用测试集的y_test来验证转换是否正确：

# 把独热编码的y_test转回原始类别
y_test_original = y_test.columns[np.argmax(y_test.values, axis=1)]

# 模型预测X_test
test_predictions = model.predict(X_test)
test_pred_classes = np.argmax(test_predictions, axis=1)

# 对比准确率（结果应该和模型训练时输出的accuracy一致）
print(np.mean(test_pred_classes == y_test_original.astype(int)))

内容的提问来源于stack exchange，提问作者Xceptions