skl2onnx转换RandomForestClassifier时final_types的正确配置方法

你遇到的问题不需要调整随机森林模型本身，只需要修正ONNX转换环节的配置即可，核心原因是你对RandomForestClassifier的默认输出结构、skl2onnx的参数规则匹配错误。

错误原因说明 #

• 第一次报错是因为RandomForestClassifier默认输出两个结果：output_label（预测类别标签，int64类型）、output_probability（各类别预测概率），你只声明了1个输出，数量不匹配。
• 第二次推理报错是因为skl2onnx默认把概率输出为seq(map(int64, float))的复合结构，你强行指定为FloatTensorType([None, 1])，导致转换时生成了非法的类型转换节点，ONNX Runtime无法识别。

最佳配置方案 #

场景1：仅需要预测类别标签，不需要概率输出 #

转换时指定参数禁用概率输出即可，配置代码如下：

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType, Int64TensorType

initial_type = [('input', FloatTensorType([None, 13]))]
# 仅配置标签输出，形状为一维数组，对应每个样本的预测结果
final_type = [('output_label', Int64TensorType([None]))]

sklonnx = convert_sklearn(
    rfc, 
    initial_types=initial_type, 
    final_types=final_type,
    # 禁用概率输出
    options={id(rfc): {'output_class_labels': True}}
)
with open("sklrfc.onnx", "wb") as f:
    f.write(sklonnx.SerializeToString())

你原本的推理代码无需修改即可正常运行。

场景2：同时需要预测标签和类别概率 #

需要添加zipmap=False参数，把概率输出从默认的复合结构转为标准二维张量，对应配置如下：

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType, Int64TensorType

initial_type = [('input', FloatTensorType([None, 13]))]
final_type = [
    ('output_label', Int64TensorType([None])),
    # 二分类场景概率形状为[样本数, 2]，多分类场景将2替换为你的类别总数即可
    ('output_probability', FloatTensorType([None, 2]))
]

sklonnx = convert_sklearn(
    rfc, 
    initial_types=initial_type, 
    final_types=final_type,
    # 关闭zipmap结构，将概率输出为标准二维张量
    options={id(rfc): {'zipmap': False}}
)
with open("sklrfc.onnx", "wb") as f:
    f.write(sklonnx.SerializeToString())

推理时如果仅需要标签，还是按你之前的代码取第一个输出即可；如果需要概率，取第二个输出，二分类场景下取output_probability[:, 1]即可得到正类的预测概率。

内容的提问来源于stack exchange，提问作者Anjoys