Python中使用ANN进行12类多分类时混淆矩阵生成报错求助

嘿，我碰到过一模一样的问题！这个ValueError: Classification metrics can't handle a mix of multiclass and continuous-multioutput targets报错，本质就是你的**真实标签（y_true）和预测结果（y_pred）**的数据类型不匹配——一个是离散的类别（比如0到11的整数编码），另一个却是连续的概率值（比如ANN输出的每个类的概率），sklearn的混淆矩阵根本不知道怎么处理这种混搭。

下面给你一步步解决的方案：

1. 先检查你的ANN输出层配置 #

多分类任务（12类）的输出层必须用softmax激活函数，而不是sigmoid。因为softmax会输出每个类别的概率，且所有类别的概率总和为1，正好对应多分类的场景。如果用了sigmoid，输出的是每个类别的独立概率，会导致后续处理混乱。

示例代码（以Keras为例）：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential()
# 前面的隐藏层定义省略...
model.add(Dense(12, activation='softmax'))  # 12类对应12个神经元，激活用softmax

2. 将连续的预测概率转换为离散类别标签 #

你的y_pred现在应该是形状为(样本数, 12)的概率矩阵，每个样本对应12个类别的概率。我们需要把每个样本的最大概率对应的类别索引取出来，转换成和真实标签一样的整数形式：

import numpy as np

# 把预测概率转成类别标签（0-11）
y_pred_classes = np.argmax(y_pred, axis=1)

3. 确保真实标签的格式正确 #

如果你的真实标签是独热编码（比如形状为(样本数, 12)的二进制矩阵），也需要转换成整数类别标签：

# 把独热编码的真实标签转成整数标签
y_true_classes = np.argmax(y_true, axis=1)

如果你的真实标签本来就是0-11的整数，这一步可以直接跳过。

4. 生成混淆矩阵 #

现在两个标签都是离散的整数形式，就可以正常生成混淆矩阵了：

from sklearn.metrics import confusion_matrix

cm = confusion_matrix(y_true_classes, y_pred_classes)
print(cm)

这样操作后，应该就能顺利生成混淆矩阵，不会再报类型不匹配的错误啦！

内容的提问来源于stack exchange，提问作者Nidutt