关于KFold交叉验证下混淆矩阵维度不一致的技术咨询

这问题我之前帮同事排查过类似的，核心确实大概率和样本的类别分布在KFold拆分时的极端情况有关，咱们一步步拆解：

核心原因推测 #

你遇到的3x3混淆矩阵，本质是某一轮交叉验证的测试集中缺失了其中一个类别。当测试集里没有某类样本时，混淆矩阵计算函数会自动只统计存在的类别，维度就从4x4变成了3x3。

这种情况在样本总量不大（148个）且类别分布不平衡时特别容易发生：比如如果某类样本数量极少（比如只有5-10个），普通KFold的随机拆分很可能把这类样本全部分到训练集里，导致对应轮次的测试集完全没有该类。

验证方法 #

在你的KFold循环里，每一轮都打印测试集的类别分布，快速确认是否存在类别缺失：

import numpy as np

for train_idx, test_idx in kf.split(X, y):
    y_test = y[test_idx]
    print(f"测试集类别分布：{np.unique(y_test, return_counts=True)}")

如果某一轮输出的类别数量是3，那就是问题根源所在。

解决办法 #

1. 改用分层交叉验证（优先推荐） #

使用StratifiedKFold替代普通KFold，它会强制保证每一轮训练集和测试集的类别比例与原始数据集一致，从根本上避免测试集类别缺失的情况：

from sklearn.model_selection import StratifiedKFold

skf = StratifiedKFold(n_splits=你的折数, shuffle=True, random_state=42)
for train_idx, test_idx in skf.split(X, y):
    # 你的训练、预测、混淆矩阵计算逻辑

2. 强制指定混淆矩阵的类别标签 #

如果必须使用普通KFold，可以在计算混淆矩阵时手动指定所有4个类别，这样即使测试集里没有某类，也会保留对应的行和列，确保维度始终是4x4：

from sklearn.metrics import confusion_matrix

# 假设你的类别标签是0、1、2、3，根据实际情况调整
cm = confusion_matrix(y_test, y_pred, labels=[0, 1, 2, 3])

3. 手动过滤无效折叠 #

如果前两种方法不适用，可以在循环里判断测试集的类别数量，跳过那些类别不全的折叠，只保留有效轮次的结果来计算平均值：

valid_cms = []
for train_idx, test_idx in kf.split(X, y):
    y_test = y[test_idx]
    if len(np.unique(y_test)) == 4:
        # 训练、预测
        cm = confusion_matrix(y_test, y_pred)
        valid_cms.append(cm)
# 对有效混淆矩阵求和取平均
avg_cm = np.mean(valid_cms, axis=0)

内容的提问来源于stack exchange，提问作者Zarobiek