Keras中to_categorical独热编码输出维度超出实际类别数如何解决

首先明确问题根因：keras.utils.np_utils.to_categorical 默认会根据输入标签的最大值+1自动生成独热向量的维度，你的标签最大值为9，因此默认生成0~9对应的10维向量，多出了不存在的0、1、2三个类别维度。

下面提供两种可行修复方案：

方案1：标签映射为连续0~N编号（推荐） #

这是最通用、不易出错的方案，将离散的原始标签统一映射为从0开始的连续整数，再做独热编码：

import numpy as np
from sklearn.preprocessing import LabelEncoder
from keras.utils import np_utils

# 1. 合并训练集和测试集标签，拟合编码器，保证两边映射规则一致
all_labels = np.concatenate([y_train, y_test])
encoder = LabelEncoder()
encoder.fit(all_labels)

# 2. 转换标签为0~6的连续整数
y_train_encoded = encoder.transform(y_train)
y_test_encoded = encoder.transform(y_test)

# 3. 做独热编码，此时维度自动为7
y_train_onehot = np_utils.to_categorical(y_train_encoded)
y_test_onehot = np_utils.to_categorical(y_test_encoded)

该方案的优势是无需关心原始标签的取值范围，即使后续标签分布变化也能自动适配，也符合深度学习分类任务的常规标签处理规范。

方案2：对生成的独热向量切片裁剪多余维度 #

如果需要保留原始标签的对应关系，也可以直接裁剪掉独热向量前3个多余的维度（对应不存在的0、1、2类）：

from keras.utils import np_utils

# 先做默认的独热编码得到10维向量
y_train_onehot_raw = np_utils.to_categorical(y_train)
y_test_onehot_raw = np_utils.to_categorical(y_test)

# 裁剪掉前3列，保留第3到第9列共7维
y_train_onehot = y_train_onehot_raw[:, 3:]
y_test_onehot = y_test_onehot_raw[:, 3:]

注意：使用该方案需要确认你的原始标签最小值确实为3，且不存在0、1、2的有效标签，避免裁剪掉有用维度

内容的提问来源于stack exchange，提问作者user466534