从模型输出到评估报告：搞定sklearn分类指标前，你必须做的数据格式转换（附Python代码）

在机器学习项目的生命周期中，模型训练往往只占20%的工作量，而数据准备和结果评估却占据了剩余的80%。当我们满怀期待地将精心调优的模型投入评估时，却常常被 ValueError: Classification metrics can't handle a mix of binary and continuous targets 这样的错误当头一棒。这不是代码的问题，而是数据格式转换的认知盲区——模型输出与评估函数之间的"语言不通"。

本文将带你系统梳理从模型原始输出到评估报告的全流程数据转换规范，涵盖TensorFlow/Keras、PyTorch和scikit-learn三大框架的典型输出格式，并提供可直接复用的Python代码模板。无论你是处理二分类概率输出、多分类logits还是one-hot编码，都能找到对应的解决方案。

1. 为什么数据格式转换如此重要？

在机器学习工作流中，模型训练、推理和评估是三个相互独立却又紧密关联的环节。每个环节对数据格式都有其特定的要求：

• 训练阶段 ：输入数据需要符合模型预期的格式（如归一化后的数值、特定维度的张量等）
• 推理阶段 ：模型根据架构不同会输出不同形式的结果（概率值、logits、类别索引等）
• 评估阶段 ：sklearn等评估工具要求特定格式的输入（通常是离散的类别标签）

当这三个环节的数据格式不匹配时，就会出现各种 ValueError 。以二分类问题为例，常见的格式冲突包括：

冲突类型	模型输出示例	评估函数期望	结果
连续值 vs 离散值	[0.7, 0.3, 0.9]	[1, 0, 1]	ValueError
概率 vs 决策	[[0.4,0.6], [0.9,0.1]]	[1, 0]	维度不匹配
Logits vs 标签	[-1.2, 3.4, 0.5]	[0, 1, 1]	无法直接比较

专业提示 ：不要简单地将概率四舍五入转换为标签！这会丢失模型输出的置信度信息，影响后续的阈值调整和模型分析。

2. 主流框架的模型输出格式解析

不同深度学习框架和模型架构会产生不同形式的输出，理解这些差异是正确转换格式的前提。

2.1 TensorFlow/Keras的输出模式

Keras模型通常提供三种预测方法：

# 原始概率输出（多分类时为每个类别的概率）
probas = model.predict_proba(X_test)  
# 示例输出：[[0.2, 0.8], [0.9, 0.1]]

# 类别决策（直接输出预测类别）
classes = model.predict_classes(X_test)  # 旧版Keras
# 或
classes = np.argmax(model.predict(X_test), axis=-1)  # 新版推荐
# 示例输出：[1, 0]

# 原始logits（未经过softmax的输出）
logits = model(X_test, training=False)  # 当输出层无激活函数时
# 示例输出：[[-1.3, 2.1], [0.5, -0.7]]

2.2 PyTorch的典型输出形式

PyTorch模型通常需要手动处理输出：

with torch.no_grad():
    outputs = model(X_test)
    # 原始logits
    logits = outputs.numpy()  
    
    # 转换为概率
    probas = torch.softmax(outputs, dim=1).numpy()
    
    # 转换为类别标签
    classes = torch.argmax(outputs, dim=1).numpy()

2.3 scikit-learn分类器的输出规范

scikit-learn的统一接口简化了输出处理：

# 大多数分类器
probas = model.predict_proba(X_test)  # 概率
classes = model.predict(X_test)       # 类别

# 一些特殊分类器（如SVM）
decision_values = model.decision_function(X_test)  # 决策值

3. 全场景数据格式转换方案

针对不同评估指标和模型输出组合，我们需要采用不同的转换策略。以下是覆盖90%应用场景的转换代码库。

3.1 二分类问题的通用转换

场景1 ：模型输出正类概率([0.2, 0.7, 0.9])，需要转换为二元标签([0, 1, 1])

def binary_prob_to_label(y_prob, threshold=0.5):
    """将概率数组转换为二元标签
    
    参数:
        y_prob (np.array): 形状为(n_samples,)的正类概率数组
        threshold (float): 分类阈值，默认0.5
    
    返回:
        np.array: 二元标签数组
    """
    return (y_prob >= threshold).astype(int)

# 使用示例
y_prob = np.array([0.3, 0.6, 0.8])
y_pred = binary_prob_to_label(y_prob)  # 输出: [0, 1, 1]

场景2 ：模型输出二维概率([[0.7,0.3], [0.4,0.6]])，需要提取正类概率

def binary_2d_prob_to_label(y_prob_2d, positive_idx=1):
    """从二维概率数组中提取指定类别的概率并转换为标签
    
    参数:
        y_prob_2d (np.array): 形状为(n_samples, 2)的概率数组
        positive_idx (int): 正类所在的列索引
    
    返回:
        np.array: 二元标签数组
    """
    y_prob = y_prob_2d[:, positive_idx]
    return binary_prob_to_label(y_prob)

3.2 多分类问题的转换方案

场景3 ：从one-hot编码概率生成类别标签

def multiclass_prob_to_label(y_prob):
    """将多类别的概率矩阵转换为类别标签
    
    参数:
        y_prob (np.array): 形状为(n_samples, n_classes)的概率矩阵
    
    返回:
        np.array: 类别索引数组
    """
    return np.argmax(y_prob, axis=1)

# 使用示例
y_prob = np.array([[0.1, 0.8, 0.1],
                   [0.3, 0.3, 0.4]])
y_pred = multiclass_prob_to_label(y_prob)  # 输出: [1, 2]

场景4 ：处理原始logits输出

def logits_to_label(logits):
    """将原始logits转换为类别标签
    
    参数:
        logits (np.array): 形状为(n_samples, n_classes)的logits矩阵
    
    返回:
        np.array: 类别索引数组
    """
    probas = softmax(logits, axis=1)  # 需要从scipy.special导入softmax
    return multiclass_prob_to_label(probas)

3.3 高级转换场景

场景5 ：当评估指标需要概率输入时（如ROC AUC）

def prepare_prob_for_metrics(y_prob, label_encoder=None):
    """准备用于需要概率输入的评估指标的数据
    
    参数:
        y_prob (np.array): 模型输出的概率
        label_encoder: 可选的标签编码器
    
    返回:
        tuple: (y_true, y_prob)格式的数据
    """
    if y_prob.ndim == 1:  # 二分类情况
        y_prob = np.vstack([1-y_prob, y_prob]).T
    
    if label_encoder:
        y_true = label_encoder.transform(y_true)
    
    return y_true, y_prob

场景6 ：处理多标签分类输出

def multilabel_to_indicator(y_pred, threshold=0.5):
    """将多标签预测概率转换为二元指示矩阵
    
    参数:
        y_pred (np.array): 形状为(n_samples, n_classes)的概率矩阵
        threshold (float): 判定阈值
    
    返回:
        np.array: 二元指示矩阵
    """
    return (y_pred >= threshold).astype(int)

4. 构建健壮的评估工作流

将上述转换函数整合到评估流程中，可以构建一个健壮的评估工作流：

def evaluate_model(model, X_test, y_test, metrics):
    """统一的模型评估流程
    
    参数:
        model: 训练好的模型
        X_test: 测试特征
        y_test: 真实标签
        metrics: 字典形式的评估指标 {name: (func, needs_proba)}
    
    返回:
        dict: 评估结果
    """
    results = {}
    
    # 获取模型原始输出
    try:
        y_prob = model.predict_proba(X_test)
        raw_output = 'proba'
    except AttributeError:
        y_logits = model.predict(X_test)
        raw_output = 'logits'
    
    # 计算每个指标
    for name, (func, needs_proba) in metrics.items():
        if needs_proba:
            if raw_output == 'logits':
                y_prob = softmax(y_logits, axis=1)
            y_true, y_prob_ready = prepare_prob_for_metrics(y_prob, y_test)
            results[name] = func(y_true, y_prob_ready)
        else:
            if raw_output == 'proba':
                y_pred = multiclass_prob_to_label(y_prob)
            else:
                y_pred = logits_to_label(y_logits)
            results[name] = func(y_test, y_pred)
    
    return results

# 定义评估指标
METRICS = {
    'accuracy': (accuracy_score, False),
    'roc_auc': (roc_auc_score, True),
    'f1': (f1_score, False),
    'log_loss': (log_loss, True)
}

# 使用示例
results = evaluate_model(model, X_test, y_test, METRICS)

这个工作流会自动处理以下情况：

• 模型是否支持predict_proba
• 评估指标需要概率输入还是标签输入
• 二分类与多分类的自动适配
• 原始logits输出的转换

5. 常见陷阱与最佳实践

在实际项目中，数据格式转换仍然存在一些容易忽视的陷阱：

陷阱1 ：盲目使用0.5作为二分类阈值

# 不推荐 - 固定阈值
y_pred = (y_prob > 0.5).astype(int)

# 推荐 - 基于业务需求或验证集表现选择阈值
optimal_threshold = find_optimal_threshold(y_val_prob, y_val)  # 需要自定义
y_pred = (y_prob > optimal_threshold).astype(int)

陷阱2 ：忽略类别不平衡时的概率校准

# 概率校准示例
from sklearn.calibration import CalibratedClassifierCV

calibrated = CalibratedClassifierCV(model, cv='prefit', method='isotonic')
calibrated.fit(X_val, y_val)
y_prob_calibrated = calibrated.predict_proba(X_test)

陷阱3 ：多分类场景下的指标计算方式

# 不同平均方式对结果的影响
f1_micro = f1_score(y_true, y_pred, average='micro')  # 全局统计
f1_macro = f1_score(y_true, y_pred, average='macro')  # 各类别平均
f1_weighted = f1_score(y_true, y_pred, average='weighted')  # 加权平均

最佳实践清单 ：

• 始终检查模型输出和评估函数要求的维度是否匹配
• 对于概率输出，保留原始概率值而不仅仅是转换后的标签
• 在多分类问题中明确指标的平均方式(micro/macro/weighted)
• 对重要项目，编写单元测试验证数据转换逻辑
• 在团队中建立统一的数据格式规范文档

# 格式验证的单元测试示例
def test_binary_conversion():
    y_prob = np.array([0.1, 0.6, 0.8])
    y_pred = binary_prob_to_label(y_prob)
    assert np.array_equal(y_pred, np.array([0, 1, 1]))
    assert y_pred.dtype == np.int64

掌握这些数据格式转换技巧后，你将能够：

1. 避免95%以上的 ValueError 评估错误
2. 构建更加健壮的机器学习工作流
3. 更灵活地尝试不同框架的模型
4. 确保评估结果真实反映模型性能

记住，在机器学习中，数据不仅需要清洗和预处理才能输入模型，模型的输出同样需要"后处理"才能正确评估。这中间的转换逻辑，正是区分专业开发者与初学者的关键细节之一。