SGD文本分类模型训练报错：y应为1维数组/类别数需大于1

• 标签维度错误：你通过np.array('Low')生成的是0维标量数组，不符合sklearn要求的1D输入格式，触发y should be a 1d array报错
• 增量训练方法误用：SGD分类器的fit方法是重置模型从头训练，不是增量学习。你每次仅传入单条样本，样本中只有1个类别，触发The number of classes has to be greater than one报错
• 特征提取器使用错误：retrain函数中调用cv.fit_transform(X)会覆盖预训练阶段得到的词汇表，新生成的特征维度和预训练模型要求的输入维度不匹配，即使解决前两个报错也无法正常推理
• 冗余代码：你定义的Tokenizer全程没有参与特征提取流程，属于无效代码，可以直接删除

1. 调整标签生成逻辑 #

将所有生成newy的代码从0维数组改为1维数组：

# 原来的写法
newy=np.array(output)
# 修改为
newy = np.array([output])

# 同理，手动指定标签的地方也修改
newy=np.array('Low') → newy = np.array(['Low'])
newy=np.array('Medium') → newy = np.array(['Medium'])

2. 修正retrain函数逻辑 #

不要重新拟合CountVectorizer，改用partial_fit做增量训练，同时传入预训练模型已有的类别信息：

def retrain(X,y):
    X=preprocess_text(X)
    X=X.lower()
    X=[X]
    # 不要重新fit CountVectorizer，仅做转换
    X=cv.transform(X)
    # 用partial_fit做增量训练，传入已有的类别避免类别数不足报错
    sgd.partial_fit(X,y, classes=sgd.classes_)
    with open('sgd.pickle', 'wb') as f:
        pickle.dump(sgd, f)
    print("Model trained on new data")

3. 补充持久化优化（可选但推荐） #

为了避免重启程序后CountVectorizer的词汇表丢失，建议初始训练完成后将模型和特征提取器一起保存：

# 初始训练完成后保存
with open('model_package.pickle', 'wb') as f:
    pickle.dump((sgd, cv), f)

# 加载时同时读取两个对象
with open('../model_package.pickle', 'rb') as f:
    sgd, cv = pickle.load(f)

4. 训练优化建议 #

单条样本增量训练容易导致模型效果波动大，建议攒3-5条包含不同类别的样本后再统一做增量训练，效果会更稳定。

内容的提问来源于stack exchange，提问作者Chinmay Datar