Quora不真诚问题分类竞赛报错：数组维度不匹配及特征矩阵疑问

咱们一步步拆解你遇到的问题，逐个解决：

1. 为什么predictions是(1250, 2)而不是一列？ #

这是LogisticRegression的predict_proba()方法的特性：它会返回每个样本对应所有类别的概率值。你的任务是二分类（目标target取值为0或1），所以模型会输出两列概率——第一列是样本属于类别0（真诚问题）的概率，第二列是属于类别1（不真诚问题）的概率。这就是predictions形状为(1250, 2)的原因。

2. 关于x_val_count.shape的视觉误解 #

你说x_val_count.shape显示是(1250, 8411)，但打印出来像只有两列？这是因为CountVectorizer生成的是稀疏矩阵，直接打印时只会展示非零元素的位置和数值（大部分元素是0，全量打印会非常冗余）。如果你想看到完整的密集矩阵，可以用x_val_count.toarray()转换后再查看，就能看到1250行8411列的完整结构了。

3. 解决ValueError的核心方案 #

报错的根源是predictions（(1250,2)）和y_val（(1250,)）维度不匹配，无法直接做逐元素运算。你需要从predictions中提取对应正类（类别1）的概率值，把它转换成和y_val维度一致的一维数组。

修改后的关键代码片段： #

# 提取类别1的概率（第二列），转换成(1250,)的一维数组
predictions = logistic.predict_proba(x_val_count)[:, 1]
print("loss: %0.3f " % loss(predictions, y_val))

另外，你的loss函数还有个潜在风险：如果predict + observed出现0值，会触发除以0的错误。可以加一个极小的常数避免这种情况：

def loss(predict, observed):
    a = predict * observed
    # 添加1e-8防止除以0
    b = predict + observed + 1e-8
    return 2 * (a / b)

额外的小修正 #

你调用count.fit()时错误传入了验证数据，这会导致数据泄露。fit()方法只需要用训练数据拟合即可：

# 只用训练数据拟合CountVectorizer，避免数据泄露
count.fit(list(x_train))

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