为何RandomForestClassifier的predict_proba输出维度有时异常？

你猜的完全正确！这个诡异的维度问题，根源就是你的训练集偶尔只包含单一类别——这也是二分类任务里很容易踩的一个坑。

为什么会出现这种情况？ #

RandomForestClassifier的predict_proba输出维度是由训练时见过的类别数量决定的。如果训练集里所有样本都属于同一个类别，模型会默认任务是单分类，自然只会输出该类别的概率，也就是(62,1)的维度；只有当训练集包含两个类别时，才会输出每个样本属于两个类别的概率，对应(62,2)的预期维度。

怎么解决这个问题？ #

给你几个实用的方案，从根源避免这个问题：

1. 给数据拆分加「分层」保障

如果是随机拆分数据导致偶尔抽中单一类别训练集，直接用train_test_split的stratify参数强制保持类别分布：

from sklearn.model_selection import train_test_split

# 拆分时传入stratify=y，确保训练/测试集的类别比例和原数据一致
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42
)

如果是做交叉验证，换成StratifiedKFold代替普通的KFold，同样能保证每折都有均衡的类别。

2. 训练前加防御性检查

在训练模型前先验证训练集的类别数量，避免无效训练：

import numpy as np
from sklearn.ensemble import RandomForestClassifier

def train_validated_rf(X_train, y_train):
    unique_classes = np.unique(y_train)
    if len(unique_classes) != 2:
        raise ValueError(f"训练集仅包含类别{unique_classes}，无法进行二分类训练！")
    # 正常训练逻辑
    rf_model = RandomForestClassifier()
    rf_model.fit(X_train, y_train)
    return rf_model

这样每次运行前都会先检查，不会再出现单类别训练的情况。

3. 模拟实验时的额外处理

如果是多次重复模拟实验，可以在循环里加判断，一旦检测到单类别训练集就跳过本次迭代，重新生成拆分：

for _ in range(num_simulations):
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
    if len(np.unique(y_train)) != 2:
        print("跳过本次迭代：训练集类别单一")
        continue
    # 后续的模型训练、评估逻辑

额外提醒 #

当predict_proba输出(n_samples,1)时，后续如果有依赖第二列概率的代码（比如取正类概率），肯定会报索引错误，所以提前做检查能帮你省掉很多调试时间。

内容的提问来源于stack exchange，提问作者joaoavf