使用scikit-learn learning_curve时单类别错误的成因排查咨询

嘿，这个问题我之前也碰到过！虽然你确认标签包含R和N两类，但错误的根源其实出在交叉验证的子集划分上——某个交叉验证fold的训练子集（或者验证集）里只抽到了单一类别。

为什么会出现这种矛盾的情况？ #

learning_curve针对分类任务默认用StratifiedKFold来划分交叉验证集，它会尽量让每个fold的类别比例和整体数据一致，但你指定了很小的训练样本量（train_sizes=[50,80,110]），如果你的数据本身类别不平衡，或者随机抽样时运气不好，就会出现某一个fold的小训练子集里只有一类标签的情况。比如假设你的R占比90%，抽50个样本时，完全有可能某一次全抽到R，这时候SVM就没法做分类训练了，直接抛出这个错误。

怎么验证这个猜想？ #

你可以手动跑一段代码，检查每个交叉验证fold里小训练子集的标签分布：

from sklearn.model_selection import StratifiedKFold
import numpy as np

skf = StratifiedKFold(n_splits=5)
for fold_idx, (train_idx, test_idx) in enumerate(skf.split(X, y), 1):
    train_y = y[train_idx]
    print(f"第{fold_idx}个fold的训练集类别：{set(train_y)}")
    # 检查不同训练样本量下的类别情况
    for size in [50, 80, 110]:
        subset_y = train_y[:size]
        print(f"  取前{size}个样本的类别：{set(subset_y)}，样本数：{len(subset_y)}")

如果输出里出现某一行的类别只有一种，那就实锤了问题所在。

可行的解决方案 #

• 调大训练样本量：把train_sizes里的50换成更大的数值，比如100，确保小样本子集也能覆盖两类标签。
• 开启分层抽样+打乱：给learning_curve加上shuffle=True和stratify=y参数，强制抽样时保持类别比例：

train_sizes, train_scores, valid_scores = learning_curve(
    SVC(kernel='linear'), X, y, 
    train_sizes=[50, 80, 110], 
    cv=5,
    shuffle=True,
    random_state=42,  # 固定随机种子，结果可复现
    stratify=y
)

• 先做数据平衡：如果你的数据类别不平衡特别严重（比如一类占比95%以上），可以先用过采样（SMOTE）或欠采样平衡数据，再跑学习曲线。

内容的提问来源于stack exchange，提问作者SFC